En el mundo de la tecnología educativa, “personalización” es una palabra de moda que se utiliza a menudo para describir el software que ajusta la dificultad en función de si un estudiante obtiene una respuesta correcta o incorrecta. Sin embargo, según Dr. Nicola Hodkowski, un destacado investigador en educación matemática, este enfoque es fundamentalmente defectuoso. Para mejorar verdaderamente el razonamiento matemático, la IA debe ir más allá de simplemente corregir errores y comenzar a comprender cómo piensan los estudiantes.
La lección del aula: ir más allá de “mostrar y contar”
La necesidad de este cambio tiene sus raíces en la experiencia práctica en el aula. Durante sus ocho años como profesora de matemáticas de primaria, la Dra. Hodkowski se dio cuenta de que los métodos tradicionales, como la práctica adicional o el uso de manipuladores físicos, a menudo eran sólo “soluciones superficiales”. Trataron los síntomas de la lucha en lugar de la causa raíz.
El gran avance se produjo cuando dejó de intentar “transferir” su propio conocimiento matemático a sus alumnos y, en su lugar, comenzó a construir un Modelo de Segundo Orden (SOM) de su razonamiento.
El poder de inferir procesos de pensamiento
En lugar de simplemente ver una respuesta incorrecta, el Dr. Hodkowski comenzó a buscar la lógica detrás del error. Aprendió a distinguir entre diferentes etapas cognitivas, como:
– Contar por unidades individuales: Un estudiante que cuenta cada “1” individual para resolver un problema.
– Contar por unidades compuestas: Un estudiante que entiende grupos (por ejemplo, contar de 2 en 2, de 5 en 5 o de 10 en 10).
Al identificar qué “unidades” estaba usando un estudiante para operar, podía diseñar actividades específicas para cerrar la brecha entre su comprensión actual y el siguiente nivel de complejidad.
El resultado: Este cambio pedagógico condujo a un salto espectacular en el rendimiento de los estudiantes. En su salón de clases, el porcentaje de estudiantes con puntajes en niveles “Competente” o “Avanzado” saltó del 58% al 85% en un solo año, superando con creces el crecimiento observado en su escuela y distrito.
La brecha en la tecnología actual de IA
A pesar del éxito de este enfoque centrado en el ser humano, las herramientas educativas actuales impulsadas por la IA se están quedando cortas. La mayoría de las plataformas existentes operan según un modelo de “primer orden”: identifican un error y luego brindan una solución de “mostrar y contar”, esencialmente guiando al estudiante a través de los pasos correctos.
Esto falla porque las matemáticas no son una cuestión de simple transmisión. Aprender un nuevo concepto requiere una transformación conceptual, donde el estudiante debe conectar nuevas ideas con sus marcos mentales existentes. Si una IA no puede inferir por qué un estudiante está estancado, no puede facilitar esa transformación.
Una hoja de ruta para el futuro de la tecnología educativa
Para pasar de una simple calificación a una genuina instrucción matemática, el Dr. Hodkowski sostiene que los desarrolladores de IA deben priorizar la pedagogía adaptativa del estudiante. Ella describe tres pilares críticos para la próxima generación de herramientas de IA:
- Inferir el razonamiento subyacente: Los algoritmos no deben simplemente señalar una respuesta incorrecta; deben distinguir entre diferentes operaciones mentales (por ejemplo, identificar si un estudiante tiene dificultades con el valor posicional versus la suma básica).
- Guiar la transformación conceptual: En lugar de proporcionar pistas que conduzcan a una respuesta rápida, la IA debería generar tareas que desafíen intencionalmente la forma de pensar actual de un estudiante, empujándolo hacia un razonamiento de orden superior.
- Apoyar la percepción de los docentes: La IA debe actuar como un “socio reflexivo” para los educadores, proporcionándoles datos procesables sobre el estado cognitivo de un estudiante para informar una mejor planificación de las lecciones.
Conclusión
El futuro de la educación matemática reside en ir más allá de la personalización superficial. Para que la IA sea una fuerza transformadora, debe dejar de actuar como una clave de respuestas digital y comenzar a actuar como un maestro capaz de comprender los matices del razonamiento humano.
