Integrating Machine Learning into K–12 Classrooms: Enhancing Critical Thinking Through Interactive AI Tasks

Resumen Técnico: Integración del Aprendizaje Automático en las Aulas de K–12

Planteamiento del Problema
Si bien la integración de la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML, por sus siglas en inglés) en la educación se está acelerando, la investigación empírica sobre su impacto en el desarrollo del Pensamiento Crítico (CT) en entornos de K–12 sigue siendo limitada. La literatura existente a menudo trata al ML como una herramienta para el análisis predictivo (por ejemplo, el perfilado de estudiantes) en lugar de un medio pedagógico para el desarrollo cognitivo. Además, los estudios frecuentemente confunden el Pensamiento Computacional (CT) con el Pensamiento Crítico, o se centran únicamente en la adquisición de habilidades técnicas sin examinar cómo las tareas de ML activan procesos específicos de CT, tales como la inferencia, la evaluación y el razonamiento basado en evidencia. Existe una notable brecha en la comprensión de cómo los estudiantes de secundaria interactúan con los indicadores de CT durante fases específicas del flujo de trabajo de ML (entrenamiento, prueba y aplicación) y cómo estos compromisos varían entre diferentes perfiles de aprendizaje.

Metodología
Este estudio empleó un diseño de estudio de caso explicativo que involucró a 15 estudiantes voluntarios de quinto y sexto grado (7 niñas, 8 niños) de una escuela pública en Turquía. Los participantes, quienes poseían competencia previa en programación basada en bloques, participaron en una intervención de ocho semanas compuesta por cinco actividades estructuradas de ML utilizando la plataforma Machine Learning for Kids. Las actividades incluyeron tres tareas basadas en texto (Smart Classroom, Quiz Bot, Make Me Happy), una tarea basada en imágenes (Car or Cup?) y una tarea basada en números (Pac-Man Learner).

La recolección de datos fue multimodal:

1. Grabaciones de pantalla: Capturaron las interacciones de los estudiantes, las secuencias de flujo de trabajo y el razonamiento verbal durante el proceso de ML.
2. Hojas de trabajo diseñadas por el investigador: Documentaron los resultados de los estudiantes y los procesos de toma de decisiones.
3. Entrevistas semiestructuradas: Realizadas post-actividad para indagar en las reflexiones, estrategias cognitivas y desafíos percibidos de los estudiantes.
4. Entrevistas clínicas: Utilizaron consignas específicas para evaluar la identificación de objetivos, la formulación de preguntas y la extracción de inferencias.

Análisis de Datos

• Cuantitativo: Se utilizó una rúbrica de desempeño de ML y CT desarrollada por el investigador para calificar el desempeño de los estudiantes a través de tres fases de ML (Entrenamiento, Aprendizaje y Prueba, Aplicación) y ocho dimensiones de CT (Identificación de Objetivos, Formulación de Preguntas, Selección de Información, Identificación de Conceptos, Razonamiento Lógico, Juicio Orientado a la Aplicación, Inferencia, Conclusión). Las puntuaciones se categorizaron en tres niveles: Insuficiente (0), Necesita Mejorar (1) y Competente (2).
• Análisis de Conglomerados: Se aplicó un análisis de k-medios (usando RStudio) a las puntuaciones de la rúbrica para identificar distintos perfiles de desempeño estudiantil.
• Cualitativo: Se realizó un análisis de contenido dirigido sobre las transcripciones de las entrevistas y los datos de las grabaciones de pantalla, mapeando las respuestas de los estudiantes con fases específicas de ML y componentes de CT. La confiabilidad interjuez se estableció mediante la kappa de Cohen ponderada cuadráticamente en el 30% de los datos.

Resultados Clave
El estudio encontró que las intervenciones instruccionales basadas en ML pueden apoyar el desempeño observable de CT y comportamientos relacionados, particularmente en el razonamiento orientado a objetivos, la evaluación basada en la aplicación y la inferencia.

• Perfiles de Desempeño: El análisis de conglomerados reveló tres grupos distintos: de bajo, medio y alto compromiso con el CT.
  • Los estudiantes de mayor desempeño identificaron consistentemente conceptos relevantes durante las fases de entrenamiento y prueba, y participaron en un monitoreo analítico a lo largo del ciclo de la tarea.
  • Los estudiantes con puntuaciones más bajas tuvieron dificultades para seleccionar conceptos relevantes y completar el ciclo completo de ML, lo que indica la necesidad de un mayor andamiaje durante las fases de aprendizaje.
• Sensibilidad de la Fase: El estudio destacó que las tareas orientadas a la aplicación provocaron un pensamiento de orden superior en contextos auténticos de manera más efectiva que las fases iniciales.
• Indicadores de CT: Los estudiantes demostraron la capacidad de articular su razonamiento, evaluar los resultados del modelo y revisar sus enfoques, alineándose con los componentes del consenso Delphi de la APA para el CT (interpretación, análisis, evaluación, inferencia, explicación y autorregulación).

Contribuciones Clave

1. Marco Pedagógico: El estudio proporciona evidencia de que las actividades de ML pueden servir como una práctica diseñada para hacer visible el CT, yendo más allá del "contenido" hacia un marco pedagógico estructurado donde se explican los criterios de decisión y se pondera la evidencia.
2. Innovación Metodológica: Introduce un enfoque multimetódico que combina grabaciones de pantalla, evaluación del desempeño basada en rúbricas y análisis de conglomerados para mapear las dimensiones de CT con fases específicas de ML, abordando la falta de estudios que diferencien los perfiles de aprendizaje en entornos integrados con ML.
3. Diseño Curricular: Los hallazgos sugieren que la secuenciación de las tareas de ML es crítica, ya que las tareas orientadas a la aplicación tienen el potencial de impulsar el pensamiento de orden superior. También identifica la necesidad de andamiaje para los estudiantes que tienen dificultades con la selección de conceptos y la finalización del ciclo.

Significancia y Reivindicaciones
Los autores afirman que este estudio cierra la brecha entre la educación en ML y el desarrollo del CT al demostrar que los estudiantes de secundaria pueden participar significativamente en tareas de ML que activan habilidades cognitivas de orden superior. El documento postula que el ML no es meramente una competencia técnica, sino un marco poderoso para promover las habilidades de CT en contextos de K–12. Al alinear los bucles de retroalimentación basados en datos con el aprendizaje basado en la indagación y los componentes de CT, el estudio justifica principios de diseño como la transparencia, la evaluación basada en criterios y el uso pedagógico del análisis de errores. Los autores concluyen que los cambios observados a través de las cinco actividades resaltan el valor de la secuenciación estructurada de tareas de ML para fomentar el razonamiento basado en evidencia y la justificación en contextos de aprendizaje auténticos.