CA | ES | EN
IA y Educación

El tema de investigación sobre IA y educación pretende aplicar algunas de las técnicas de IA del IIIA al campo de la educación. No tiene como objetivo automatizar completamente algunos procesos y reemplazar el componente humano, sino apoyar al humano a través de mecanismos como la formación de equipos que permitan construir equipos más eficientes o evaluaciones entre pares que respalden las evaluaciones en cursos masivos en línea.

Contacto: Carles Sierra


Siempre es un desafío hacer predicciones sobre el impacto de la tecnología en un sector económico o social. Sin embargo, todos los análisis recientes dejan claro que las tareas repetitivas, o de escaso valor añadido por parte de los humanos que las realizan, van a ser rediseñadas para facilitar su automatización mediante el uso de técnicas de Inteligencia Artificial (IA). La banca y el comercio son ejemplos de sectores que están experimentando una profunda transformación, en parte posibilitada por técnicas de IA como los chatbots o los sistemas de personalización, lo que está provocando una notable reducción del empleo. Por el contrario, el sector educativo seguirá necesitando del componente humano, y de forma permanente, ya que la escuela cumple una función socializadora imprescindible para el desarrollo de las personas. Esta necesidad no significa que la IA no vaya a impactar en los procesos educativos; lo hace y lo seguirá haciendo.

Hoy en día disponemos de numerosas aplicaciones de IA, no necesariamente desarrolladas específicamente para la educación, pero que son de gran utilidad en el mundo educativo. Por ejemplo, el subtitulado automático de vídeos, los sistemas de tutoría que interactúan en lenguaje natural o la conversión realista de texto a voz humana.

La IA, en sus orígenes, ya se aplicaba a la educación, en particular a la educación personalizada. Adaptar los contenidos a cada alumno es un imperativo pedagógico difícilmente alcanzable por los docentes cuando los grupos son numerosos o los recursos económicos dedicados a la educación son limitados. Varios grupos de investigación desarrollaron sistemas simples de educación personalizada en la década de 1960. Hoy en día, estos sistemas han alcanzado un notable nivel de sofisticación. Por ejemplo, durante los últimos 15 años, el sistema ALEKS (aleks.com) desarrollado en los Estados Unidos ha mejorado el desempeño de millones de estudiantes en matemáticas. Este sistema plantea problemas con respuesta abierta, analiza la respuesta y, gracias a un sistema de aprendizaje automático, identifica errores y habilidades no adquiridas para explicar el error al alumno y recomendar nuevos problemas que ayuden a obtener las habilidades necesarias. Este tipo de sistema continúa desarrollándose en diferentes países. Destaca el creado por Squirrel AI en Shanghai con más de tres millones de alumnos, y con una gran mejora en el rendimiento individual (http://squirrelai.com/product/ials). Sin duda veremos estos sistemas con más frecuencia durante la próxima década y cubriendo áreas cada vez más distantes de STEM, donde se centran en la actualidad.

Aprendizaje colaborativo 

La psicología social, la IA y la ética juntas pueden proporcionar modelos valiosos para la retroalimentación entre pares y el trabajo en equipo.

 

Formación de equipos 

La economía global exige reestructurar la educación para fomentar el espíritu empresarial, la creatividad y la asunción de riesgos. El aprendizaje basado en el trabajo en equipo es el camino a seguir. Dentro de la educación colaborativa y basada en tareas, uno de los problemas recurrentes es cómo formar equipos de estudiantes. La IA permite el análisis de multitud de factores (sociológicos, competenciales, psicológicos, etc.) para explorar el enorme espacio de combinaciones posibles y encontrar los equipos óptimos de alumnos en diferentes escenarios y contextos.

Evaluación por pares 

Se avanzará en procesos automáticos y de evaluación por pares, lo que democratizará aún más la educación en línea y a lo largo de la vida. Los avances en el procesamiento del lenguaje natural y la visión por computadora combinados con las técnicas de explicación harán que la autoevaluación que los sistemas brindan a los estudiantes sea mucho más informativa y útil. Asimismo, la evaluación por pares combinada con técnicas de IA permitirá que la evaluación de grandes grupos de educación en línea sea aceptable para los docentes.

Planes de lecciones 

Hay una serie de herramientas disponibles online que ayudan a los profesores en la gestión de planes de lecciones. Sin embargo, ninguno de ellos está centrado en tareas y admite cualquier forma de ejecución del plan de lecciones a través de la web. En el IIIA estamos interesados en el diseño y ejecución de estos flujos de trabajo pedagógicos. Nuestros planes de lecciones permiten coordinar interacciones, asegurando que se sigan las reglas establecidas por el plan y donde los planes de lecciones se diseñen con respecto a una rúbrica seleccionada. Una vez que se define el plan de la lección, se genera automáticamente una interfaz gráfica de usuario (IGU) específica para permitir que los estudiantes naveguen por la lección. Cada vez que el tutor modifica un flujo de trabajo, se genera una nueva GUI en consecuencia sin ningún esfuerzo de programación.

Aprendizaje personalizado

Los sistemas híbridos de recomendación y análisis de aprendizaje permiten crear contenidos e itinerarios de aprendizaje personalizados.


Basados en el análisis de datos, los algoritmos de Inteligencia Artificial pueden proporcionar un contexto de aprendizaje para las necesidades particulares de los estudiantes o grupos de estudiantes. Estudiamos y creamos modelos y algoritmos que automáticamente recomiendan contenidos personalizados y crean itinerarios de aprendizaje para las necesidades de aprendizaje de los estudiantes.

Juegos serios

Combinar realidad virtual, IA y ludificación para promover el aprendizaje jugando.

La inteligencia artificial y la realidad virtual brindan un entorno rico para el aprendizaje basado en juegos, también llamados juegos serios. Desarrollamos nuevas técnicas de personalización que se pueden integrar en juegos virtuales para crear entornos de aprendizaje donde estudiar y practicar varias materias de forma inmersiva y entretenida.

El IIIA desarrolla componentes de software basados en IA para ofrecer a escuelas y maestros, herramientas para implementar en las aulas. Nuestra caja de herramientas actualmente ofrece herramientas para evaluaciones de pares, composición de equipos y creación y ejecución de planes de lecciones. A continuación, puede probar los diferentes demostradores que muestran algunas de las funcionalidades que ofrecen nuestros componentes basados en IA.

Formación de equipos

El fomento del trabajo en equipo, la creación de comunidades y las habilidades de liderazgo son objetivos valiosos en el aula que se introducen cada vez más en las escuelas. Nuestro objetivo es contribuir con tecnologías de software que proporcionen a los docentes herramientas para crear equipos que se desempeñen bien en diferentes niveles.

Herramienta de equipos sinérgicos

División de grupos de estudiantes en equipos competentes y compatibles para la resolución de problemas. Eduteams es una aplicación web que apoya la composición de equipos sinérgicos de estudiantes en el aula.

Herramienta de equipos que congenian

Dividir grupos de estudiantes en equipos de resolución de problemas que estén equilibrados en cuanto al género y psicológicamente. Eduteams es una aplicación web que admite la composición de equipos de estudiantes que congenien en el aula.

Equipos Educativos para Empresas

Apoyo para asignar un grupo de estudiantes a un proyecto o tarea de prácticas en empresas. Edu2Com es un componente de inteligencia artificial para asignar equipos a tareas o proyectos en función de sus competencias y preferencias.

Evaluación por pares

Involucrar a los estudiantes en la evaluación de los otros apoya a los maestros, pero también aumenta las habilidades y el conocimiento de los estudiantes. Nuestro objetivo es ofrecer herramientas computacionales que apoyen la evaluación entre pares dentro y fuera de las aulas.

Evaluación colaborativa [demo]

Combina evaluaciones de maestros y compañeros para reducir el número de evaluaciones a realizar.

Planes de lecciones

Nuestro objetivo es permitir que los profesores y los estudiantes participen en un entorno de aprendizaje en línea más flexible, abierto y colaborativo. Creamos herramientas para respaldar formas flexibles de crear, compartir y usar planes de lecciones colaborativos.

Editor de Plan de lecciones [demo]

Editor de planes de lecciones para crear lecciones entre pares.

Ejecución en línea del plan de lección [demo]

Un entorno de aprendizaje en línea donde se ejecutan planes de lecciones entre pares.

Filippo Bistaffa
Tenured Scientist
Phone Ext. 431849

Christian Blum
Scientific Researcher
Phone Ext. 431840

Lissette Lemus del Cueto
Contract Engineer
Phone Ext. 431823

Alejandra López de Aberasturi Gómez
PhD Student
Phone Ext. 431831

Nardine Osman
Tenured Scientist
Phone Ext. 431826

Juan A. Rodríguez-Aguilar
Research Professor
Phone Ext. 431861

Jordi Sabater-Mir
Tenured Scientist
Phone Ext. 431856

Carles Sierra
Research Professor
Phone Ext. 431801

2024
Adrià Fenoy,  Filippo Bistaffa,  & Alessandro Farinelli (2024). An attention model for the formation of collectives in real-world domains. Artificial Intelligence, 328, 104064. https://doi.org/10.1016/j.artint.2023.104064. [BibTeX]  [PDF]
2023
Dimitra Bourou,  Marco Schorlemmer,  & Enric Plaza (2023). An Image-Schematic Analysis of Hasse and Euler Diagrams. Maria M. Hedblom, & Oliver Kutz (Eds.), Proceedings of The Seventh Image Schema Day co-located with The 20th International Conference on Principles of Knowledge Representation and Reasoning (KR 2023), Rhodes, Greece, September 2nd, 2023 . CEUR-WS.org. https://doi.org/https://ceur-ws.org/Vol-3511/paper\_05.pdf. [BibTeX]
Athina Georgara,  Raman Kazhamiakin,  Ornella Mich,  Alessio Palmero Approsio,  Jean-Christoph Pazzaglia,  Juan A. Rodríguez-Aguilar,  & Carles Sierra (2023). The AI4Citizen pilot: Pipelining AI-based technologies to support school-work alternation programmes. Applied Intelligence. https://doi.org/10.1007/s10489-023-04758-3. [BibTeX]  [PDF]
2022
Tomas Trescak,  Roger Xavier Lera Leri,  Filippo Bistaffa,  & Juan A. Rodríguez-Aguilar (2022). Agent-Assisted Life-Long Education and Learning. Proceedings of the 21st International Conference on Autonomous Agents and MultiAgent Systems . International Foundation for Autonomous Agents and Multiagent Systems. [BibTeX]  [PDF]
Athina Georgara,  Juan A. Rodríguez-Aguilar,  & Carles Sierra (2022). Allocating teams to tasks: an anytime heuristic competence-based approach. Dorothea Baumeister, & Jörg Rothe (Eds.), Multi-Agent Systems - 19th European Conference, {EUMAS}2022, Düsseldorf, Germany, September 14-16, 2022, Revised Selected Papers . Springer International Publishing. [BibTeX]  [PDF]
Dimitra Bourou,  Marco Schorlemmer,  & Enric Plaza (2022). Embodied Sense-Making of Diagrams as Conceptual Blending with Image Schemas. Maria M. Hedblom, & Oliver Kutz (Eds.), Proceedings of the Sixth Image Schema Day, Jönköping, Sweden, March 24-25th, 2022 . CEUR-WS.org. [BibTeX]  [PDF]
Dimitra Bourou,  Marco Schorlemmer,  & Enric Plaza (2022). Euler vs Hasse Diagrams for Reasoning About Sets: A Cognitive Approach. Valeria Giardino, Sven Linker, Richard Burns, Francesco Bellucci, Jean-Michel Boucheix, & Petrucio Viana (Eds.), Diagrammatic Representation and Inference - 13th International Conference, Diagrams 2022, Rome, Italy, September 14-16, 2022, Proceedings (pp. 151--167). Springer. https://doi.org/10.1007/978-3-031-15146-0_13. [BibTeX]
Athina Georgara,  Juan A. Rodríguez-Aguilar,  & Carles Sierra (2022). Privacy-Aware Explanations for Team Formation. Proceedings of the 24th International Conference on Principles and Practice of Multi-Agent Systems . [BibTeX]  [PDF]
2021
Nieves Montes,  Nardine Osman,  & Carles Sierra (2021). Enabling Game-Theoretical Analysis of Social Rules. IOS Press. https://doi.org/10.3233/FAIA210120. [BibTeX]  [PDF]
Pablo Noriega,  & Txetxu Ausìn (2021). Ethical, Legal, Economic and Social Implications. Sara Degli Esposti, & Carles Sierra (Eds.), White Paper on Artificial Intelligence, Robotics and Data Science (pp 120-141). Consejo Superior de Investigaciones Científicas (España). [BibTeX]  [PDF]
Athina Georgara,  Juan A. Rodríguez-Aguilar,  & Carles Sierra (2021). Towards a Competence-Based Approach to Allocate Teams to Tasks. Proceedings of the 20th International Conference on Autonomous Agents and MultiAgent Systems (pp. 1504–1506). International Foundation for Autonomous Agents and Multiagent Systems. [BibTeX]  [PDF]
2020
Athina Georgara,  Carles Sierra,  & Juan A. Rodríguez-Aguilar (2020). TAIP: an anytime algorithm for allocating student teams to internship programs. arXiv preprint arXiv:2005.09331. [BibTeX]  [PDF]
  • Declaración de la UNESCO. En mayo de 2019, alrededor de 100 estados miembros de la UNESCO realizaron una serie de recomendaciones que marcan el camino a seguir en los próximos años. La primera y más relevante es que la IA tiene que integrarse en el sistema educativo. La IA debe enseñarse y al mismo tiempo usarse para fortalecer el aprendizaje de los estudiantes. Esta integración y empleo debe basarse en el respeto escrupuloso de los derechos humanos. Debe servir para formar alumnos con espíritu crítico respecto al uso de esta tecnología que les permita comprender los riesgos y aprovechar las oportunidades que nos ofrece. El futuro de la IA en el mundo educativo es fascinante.  
  • SQUIRREL AI. Una empresa de educación online especializada en educación adaptativa inteligente.