Un alumno pide ayuda para mejorar una respuesta.
La inteligencia artificial detecta el problema con rapidez. La explicación es demasiado superficial, algunas relaciones causales no están claras y faltan varios elementos importantes. En pocos segundos propone una versión más precisa, mejor estructurada y probablemente superior a la que el alumno habría conseguido elaborar por sí solo.
La respuesta es impecable.
Pero hay una pregunta que conviene hacerse antes de celebrarlo:
¿Qué ha aprendido realmente el alumno?
Puede copiar la nueva versión. Puede incluso reconocer que suena mejor. Quizá consiga una calificación más alta.
Pero nada de eso garantiza que, la próxima vez que se enfrente a una pregunta semejante, sepa construir una respuesta mejor sin ayuda.
La herramienta ha resuelto el problema de la tarea.
No necesariamente el problema del aprendizaje.
Cuando ayudar significa sustituir
La inteligencia artificial generativa tiene una tendencia comprensible: intenta ser útil.
Si le pedimos una explicación, explica.
Si detecta un error, corrige.
Si encuentra una debilidad, propone una mejora.
Si falta una idea, la completa.
Desde el punto de vista de la eficiencia, su comportamiento resulta difícil de cuestionar. Nos lleva más rápido hacia un producto mejor.
Sin embargo, aprender no consiste únicamente en llegar al resultado correcto. Consiste en desarrollar las operaciones cognitivas que permiten alcanzarlo.
Y ahí aparece una diferencia decisiva.
Una ayuda deja de ser pedagógicamente útil cuando resuelve precisamente aquello que el alumno necesitaba aprender a resolver.
El problema no es que la IA dé buenas respuestas.
El problema es que las entregue antes de que el alumno haya tenido que construir nada propio.
Preguntar no es retrasar artificialmente la respuesta
La alternativa tampoco consiste en convertir cualquier interacción en un interrogatorio interminable.
Una inteligencia artificial que responde siempre con otra pregunta puede resultar tan poco útil como una que entrega inmediatamente la solución completa.
El alumno no necesita enfrentarse a una sucesión de acertijos. Tampoco necesita adivinar qué respuesta espera la herramienta. Y mucho menos quedar atrapado en una conversación frustrante cuando carece todavía de los conocimientos necesarios para avanzar.
El objetivo no es preguntar siempre.
El objetivo es preguntar antes de responder cuando todavía existe una oportunidad razonable de que el alumno piense por sí mismo.
La diferencia parece pequeña, pero cambia por completo la lógica de la interacción.
Una ayuda calibrada
La investigación sobre andamiaje lleva décadas insistiendo en una idea esencial: el apoyo debe ajustarse al punto exacto en el que se encuentra el aprendiz.
Ni demasiado poco, porque puede producir bloqueo.
Ni demasiado, porque puede generar dependencia.
Un tutor socrático debería operar precisamente dentro de ese espacio intermedio.
Ante una explicación superficial sobre las causas de la Revolución Industrial, no necesita redactar inmediatamente una respuesta mejor. Puede empezar preguntando:
- ¿Estás explicando una causa o describiendo una consecuencia?
- ¿Qué relación existe entre el crecimiento demográfico y el aumento de la producción?
- ¿Por qué los avances agrícolas influyeron en el desarrollo industrial?
- ¿Puedes distinguir entre factores económicos, tecnológicos y sociales?
Quizá esas preguntas basten.
Si no bastan, puede ofrecer una pista algo más explícita:
Intenta organizar tu respuesta en tres bloques: transformaciones agrícolas, crecimiento de la población y avances tecnológicos. Después explica cómo contribuyó cada uno al inicio del proceso industrial.
Y si el alumno continúa bloqueado, puede proporcionar una estructura parcial:
Una de las causas de la Revolución Industrial fue… Esto influyó en el proceso porque… Otro factor decisivo fue…
Solo después, cuando las ayudas anteriores no han permitido avanzar, tendría sentido mostrar un modelo completo para analizarlo y reconstruirlo.
La clave no está en negar la respuesta.
Está en no entregarla demasiado pronto.
Un tutor que sabe retirarse
La calidad de un tutor no debería medirse únicamente por su capacidad para desbloquear al alumno en el momento presente.
También debería medirse por algo menos visible: si consigue que, en la siguiente ocasión, el alumno necesite un poco menos de ayuda.
Un buen tutor no busca convertirse en imprescindible.
Busca hacerse progresivamente innecesario.
Eso exige variar la intensidad del apoyo. A veces bastará una pregunta abierta. Otras veces será necesaria una pista. En determinados momentos convendrá reformular la tarea, recuperar un conocimiento previo o mostrar un ejemplo parcial.
La ayuda adecuada no es siempre la misma.
Depende del alumno, del momento y del tipo de dificultad.
El objetivo no es conseguir que el estudiante termine antes. Es conseguir que pueda avanzar cada vez con mayor autonomía.
La diferencia entre corregir y hacer pensar
Imaginemos otro caso sencillo.
Un alumno responde así a una pregunta sobre la fotosíntesis:
Las plantas hacen la fotosíntesis porque necesitan alimentarse y para eso usan la luz del sol.
Una IA convencional puede ofrecer inmediatamente una versión más completa:
La fotosíntesis es el proceso mediante el cual las plantas utilizan la energía de la luz solar para transformar el agua y el dióxido de carbono en glucosa y oxígeno. Este proceso les permite producir su propio alimento y resulta esencial para la vida en la Tierra.
La mejora es evidente.
Pero un tutor socrático podría empezar de otra manera:
- ¿Qué elementos necesita la planta además de la luz?
- ¿Qué sustancia produce para alimentarse?
- ¿Qué gas libera durante el proceso?
- ¿Por qué ese gas resulta importante para otros seres vivos?
- ¿Puedes explicar el proceso siguiendo un orden lógico?
El resultado final quizá termine pareciéndose al de la IA convencional.
Pero el proceso no es el mismo.
En un caso, el alumno recibe una explicación.
En el otro, reconstruye el proceso y comprende mejor las relaciones entre sus elementos.
Y esa diferencia es mucho más importante que la calidad inmediata del producto.
Una inteligencia artificial que deja rastro
Hay además una posibilidad que hasta hace muy poco resultaba difícil de imaginar en condiciones reales de aula.
Una herramienta diseñada para acompañar mediante preguntas no solo puede ayudar al alumno. También puede registrar el proceso.
Puede dejar constancia de:
- dónde apareció el bloqueo;
- qué tipo de pregunta permitió avanzar;
- cuánta ayuda necesitó el alumno;
- qué errores se repitieron;
- en qué momento pudo continuar sin apoyo;
- qué decisiones fue capaz de tomar por sí mismo.
Ese rastro no sustituye la mirada del profesor.
Pero le proporciona una información que el producto final, por sí solo, nunca podría ofrecer.
Porque dos alumnos pueden entregar respuestas muy parecidas y haber recorrido procesos completamente distintos.
Uno quizá haya construido el resultado con autonomía.
Otro puede haber necesitado una sucesión constante de apoyos.
La diferencia no siempre se ve en la entrega.
Se ve en el camino.
La paradoja de la mejor IA educativa
Durante los últimos años hemos medido con frecuencia la calidad de una herramienta por la precisión, la velocidad o la fluidez de sus respuestas.
Es comprensible. Son capacidades impresionantes y, en muchos contextos, enormemente útiles.
Pero el aula introduce una exigencia distinta.
Una inteligencia artificial educativa no debería demostrar únicamente lo bien que sabe responder.
Debería demostrar también lo bien que sabe contenerse.
Saber cuándo preguntar.
Saber cuándo dar una pista.
Saber cuándo ofrecer una estructura parcial.
Saber cuándo retirarse.
Y saber, finalmente, cuándo la respuesta completa ya no evita el aprendizaje, sino que puede ayudar a reconstruirlo.
La cuestión no es diseñar una IA que hable menos.
Es diseñar una IA que intervenga mejor.
La mejor IA educativa no será la que consiga que el alumno termine antes, sino la que consiga que necesite cada vez menos ayuda para pensar mejor.
Referencias
Aleven, V. A. W. M. M. y Koedinger, K. R. (2002). An Effective Metacognitive Strategy: Learning by Doing and Explaining with a Computer-Based Cognitive Tutor. Cognitive Science, 26(2), 147–179.
Chi, M. T. H., de Leeuw, N., Chiu, M. H. y LaVancher, C. (1994). Eliciting Self-Explanations Improves Understanding. Cognitive Science, 18(3), 439–477.
Chi, M. T. H., Siler, S. A., Jeong, H., Yamauchi, T. y Hausmann, R. G. (2001). Learning from Human Tutoring. Cognitive Science, 25(4), 471–533.
van de Pol, J., Volman, M. y Beishuizen, J. (2010). Scaffolding in Teacher–Student Interaction: A Decade of Research. Educational Psychology Review, 22, 271–296.
Wood, D., Bruner, J. S. y Ross, G. (1976). The Role of Tutoring in Problem Solving. Journal of Child Psychology and Psychiatry, 17(2), 89–100.