Resumen Técnico: Más allá del enfoque único para el compromiso en la práctica de la expresión oral apoyada por IA generativa

1. Planteamiento del problema

Si bien la inteligencia artificial generativa (IA generativa) ha establecido entornos personalizados y de bajo nivel de amenaza para la práctica de la expresión oral en Inglés como Lengua Extranjera (EFL), la literatura existente se basa en gran medida en enfoques cuantitativos para informar tendencias grupales o efectos mediadores. Estos estudios a menudo tratan el compromiso emocional, cognitivo y conductual como variables separadas o asumen que se desarrollan de forma sincrónica. En consecuencia, existe una brecha significativa en la comprensión de cómo los estudiantes individuales configuran subjetivamente estas dimensiones. Específicamente, no está claro cómo las experiencias emocionales de diferentes estudiantes moldean sus valoraciones cognitivas y su participación conductual, y si un enfoque de instrucción apoyado por IA de "talla única" es suficiente dada la heterogeneidad de las experiencias de los estudiantes.

2. Metodología

Este estudio emplea la metodología Q, un enfoque centrado en la persona diseñado para investigar la subjetividad individual e identificar puntos de vista compartidos dentro de un grupo.

• Participantes: 27 estudiantes de primer año de licenciatura (22 hombres, 5 mujeres; edad promedio 19.04) de una facultad de ciencias e ingeniería en el norte de la China continental. Todos los participantes tenían al menos un semestre de experiencia en el uso de herramientas de IA (por ejemplo, Doubao, Plataforma de Aprendizaje Chaoxing, Liulishuo English) para la práctica de la expresión oral.
• Desarrollo del instrumento (Q-set): Se construyó un Q-set de 47 enunciados representativos a partir de tres fuentes: (1) una revisión de la literatura sobre el compromiso del estudiante y las experiencias emocionales en el aprendizaje apoyado por IA; (2) respuestas abiertas de los participantes sobre sus experiencias reales; y (3) comentarios de usuarios de plataformas populares de expresión oral con IA en China. Los enunciados se refinaron para centrarse en dimensiones únicas (emocional, cognitiva o conductual) para evitar ambigüedades.
• Recolección de datos:
  • Q-sorting: Los participantes clasificaron los 47 enunciados en una cuadrícula de distribución forzada desde "totalmente en desacuerdo" (-5) hasta "totalmente de acuerdo" (+5).
  • Entrevistas post-clasificación: Se realizaron entrevistas semiestructuradas con 10 participantes que exhibieron altas cargas factoriales para explorar el razonamiento detrás de sus clasificaciones.
• Análisis de datos: Los datos de Q-sort se analizaron utilizando KADE (Versión 1.3.1) mediante el Análisis de Componentes Principales (PCA) con rotación Varimax. Los factores se retuvieron basándose en valores propios > 1.00 y cargas factoriales ≥ 0.38. Se extrajeron cuatro factores, que explican el 51% de la varianza total.

3. Resultados clave: Cuatro perfiles de compromiso del estudiante

El análisis factorial identificó cuatro perfiles de compromiso de estudiantes distintos, cada uno caracterizado por una configuración única de compromiso emocional, cognitivo y conductual:

1. Reguladores Relajados (Factor 1):

   • Emocional: Alta sensación de relajación y seguridad; baja ansiedad respecto a la evaluación o los errores.
   • Conductual: Ajuste dinámico de los estilos de interacción para adaptarse a las necesidades personales (por ejemplo, pedir a la IA que simplifique el lenguaje).
   • Cognitivo: Sin un compromiso cognitivo distintivo relevante; el procesamiento parece superficial o enfocado en la práctica más que en la reflexión profunda.
   • Perfil: Estudiantes que se sienten seguros y bajo control, pero que pueden no involucrarse profundamente a nivel cognitivo.

2. Escépticos Desconectados (Factor 2):

   • Emocional: Desapego y bajo compromiso emocional; escepticismo respecto a la calidad "humana" de la retroalimentación de la IA.
   • Cognitivo: Postura crítica y escéptica; cuestionamiento de la precisión de la retroalimentación de la IA y de su capacidad para evaluar la competencia real.
   • Conductual: Uso pasivo o participación limitada (por ejemplo, usar la IA solo cuando el profesor lo ordena).
   • Perfil: Estudiantes que carecen de confianza en la herramienta, lo que conduce al desinterés.

3. Mejoradores Ansiosos (Factor 3):

   • Emocional: Alta sensibilidad a las puntuaciones y a la retroalimentación; experimentan ansiedad y fluctuación emocional.
   • Cognitivo: Reconocimiento claro del valor de la IA para la mejora, pero con un enfoque rígido en debilidades específicas.
   • Conductual: Práctica dirigida y repetitiva de debilidades identificadas; renuencia a explorar otras funciones o características de la IA.
   • Perfil: Estudiantes impulsados por la motivación extrínseca para evitar el fracaso, lo que resulta en una práctica rígida y no exploratoria.

4. Exploradores Curiosos (Factor 4):

   • Emocional: Emociones positivas y activadoras impulsadas por el interés intrínseco, la curiosidad y la novedad.
   • Cognitivo: Valoración positiva del valor evaluativo e instructivo de la IA.
   • Conductual: Alta iniciativa; experimentación activa con diferentes herramientas y funciones de IA.
   • Perfil: Estudiantes que están intrínsecamente motivados, explorando ampliamente y comprometiéndose profundamente en todas las dimensiones.

4. Contribuciones y hallazgos clave

El estudio desafía la suposición de que el compromiso emocional, cognitivo y conductual ocurren de forma sincrónica. En su lugar, revela que estas dimensiones se combinan en patrones configuracionales heterogéneos.

• La centralidad de la emoción: El compromiso emocional es la dimensión central en todos los perfiles. Sin embargo, el tipo de emoción (activadora vs. desactivadora, positiva vs. negativa) dicta los resultados cognitivos y conductuales subsiguientes.
• Aplicación de la Teoría de Control-Valor: El estudio aplica la Teoría de Control-Valor (Pekrun, 2006) para explicar estas configuraciones:
  • Reguladores Relajados: El alto control percibido y la valoración de valor positiva conducen a emociones positivas desactivadoras (relajación), lo que puede inhibir el procesamiento cognitivo profundo.
  • Exploradores Curiosos: El alto control y la valoración de valor positiva conducen a emociones positivas activadoras (disfrute/novedad), fomentando un compromiso cognitivo y conductual exploratorio profundo.
  • Mejoradores Ansiosos: Alta valoración de valor pero bajo control percibido conducen a emociones negativas activadoras (ansiedad), lo que impulsa un esfuerzo conductual dirigido pero inhibe la exploración.
  • Escépticos Desconectados: Bajo control y valoración de valor negativa conducen a emociones negativas desactivadoras (aburrimiento/desapego), socavando tanto la valoración cognitiva como el compromiso conductual.

5. Significado e implicaciones pedagógicas

El artículo argumenta que un enfoque de "talla única" para la instrucción de la expresión oral apoyada por la IA generativa es insuficiente. La importancia de este trabajo radica en su demostración de que el compromiso del estudiante es heterogéneo y configuracional.

Implicaciones pedagógicas:

• Prioridad del apoyo emocional: La instrucción debe priorizar el apoyo emocional para aprovechar la naturaleza de bajo nivel de amenaza de la IA.
• Intervenciones personalizadas:
  • Para los Reguladores Relajados: Mantener el entorno de bajo estrés pero introducir diarios reflexivos para profundizar el compromiso cognitivo.
  • Para los Escépticos Desconectados: Utilizar juegos interactivos y atractivos para construir experiencias emocionales positivas y, gradualmente, introducir tareas con demandas cognitivas crecientes para construir un sentido de control.
  • Para los Mejoradores Ansiosos: Guiar a los estudiantes para establecer metas incrementales y evaluar críticamente la retroalimentación de la IA para reducir la ansiedad y pasar de una motivación extrínseca a una más sostenible.
  • Para los Exploradores Curiosos: Asignar tareas creativas y abiertas para mantener la motivación intrínseca y fomentar el intercambio entre pares para reforzar el compromiso.

6. Limitaciones

El autor reconoce dos limitaciones principales:

1. Representatividad de la muestra: El estudio se realizó con una sola cohorte de una universidad en China, lo que limita la generalización de los hallazgos a diferentes edades, niveles de competencia y regiones geográficas.
2. Perspectiva estática: El estudio captura los perfiles de compromiso en un único punto en el tiempo y no explora cómo estos perfiles podrían evolucionar longitudinalmente durante un aprendizaje sostenido.

El artículo concluye que la guía del profesor es crucial en los entornos integrados con IA para abordar estas distintas configuraciones emocionales-cognitivas-conductuales y promover un compromiso sostenido.