Prospectiva y estrategia: Aprendizaje inteligente, análisis de tareas cognitivas.

Promoviendo conceptos y nociones en pensamiento estratégico y prospectiva.

Es conveniente continuamente evaluar el diseño y gestión de la prospectiva, por dos razones. La primera, está relacionada con la gran diversidad de combinaciones de métodos que se emplean en la práctica de la prospectiva. La segunda, tiene que ver con la dificultad de integrar los resultados obtenidos en múltiples contextos en los procesos de formulación de políticas. Por tanto, se pueden identificar tres criterios de evaluación para los métodos basados en escenarios:

– Si la técnica del escenario refleja la selección de métodos más apropiada,

– Qué objetivos y funciones se van a lograr o llevar a cabo con las técnicas de escenarios,

– Qué supuestos básicos sobre la previsibilidad e imprevisibilidad del futuro y nuestra capacidad para darle forma se toman como base. (p.87)

Metaprospectiva = Prospectiva + IA

Construcción colectiva de futuro

Fuente: Trujillo-Cabezas, R., & Verdegay, J. L. (2019). Integrating Soft Computing Into Strategic Prospective Methods: Towards an Adaptive Learning Environment Supported by Futures Studies(Vol. 387). Springer Nature.

Creación de cursos con contenido orientado al aprendizaje inteligente.

En los últimos 10 años, las analíticas de aprendizaje han brindado a los educadores paneles y herramientas para comprender los comportamientos de los estudiantes en entornos tecnológicos específicos.

Sin embargo, falta trabajo para ayudar a los educadores a tomar decisiones basadas en datos, al diseñar un curso con actividades de aprendizaje adecuadas. Recientes propuestas, sugieren el empleo del análisis de diseño basado en el conocimiento para descubrir facetas de las actividades de aprendizaje.

Este nuevo enfoque se está explorando en el contexto de cursos de educación superior, donde los instructores diseñan laboratorios y sesiones de práctica en el hogar con contenido de aprendizaje inteligente en línea semanalmente.

Los resultados preliminares indican que el uso de una visualización basada en el conocimiento, que permite a los profesores reducir la carga cognitiva (especialmente en términos de demanda mental) y que facilita la elección de las actividades más adecuadas sin afectar el tiempo total de diseño del curso. (Fuente: Albó et al. (2021)).

Un Agente Inteligente enseñable: Herramienta interactiva para el análisis de tareas cognitivas.

Recientes investigaciones sugieren que el empleo de Agentes Inteligentes juegan un papel clave en la enseñanza, en un entorno de aprendizaje en línea (EAO) orientado a aprender enseñando: El agente que aprende trabaja como un compañero sintético para que los estudiantes aprendan enseñando y como una herramienta interactiva para tareas cognitivas.

En este tipo de herramientas, los estudiantes deben aprender mediante la enseñanza interactiva a un Agente Inteligente, para que este resuelva problemas. Los resultados muestran que un Agente Inteligente, tiene un potencial práctico para ayudar a crear un modelo de dominio experto para el tutor cognitivo incorporado y la interfaz de tutoría utilizada para el EAO.

También se observó que el fracaso del Agente Inteligente para aprender las habilidades cognitivas esperadas, ayuda al estudiante a identificar los factores cognitivos esenciales faltantes que deben contemplarse. (Fuente: Matsuda (2021)).

Fuentes: Albó, L., Barria-Pineda, J., Brusilovsky, P., & Hernández-Leo, D. (2021). Knowledge-Based Design Analytics for Authoring Courses with Smart Learning Content. International Journal of Artificial Intelligence in Education, 1-24. / Matsuda, N. (2021). Teachable Agent as an Interactive Tool for Cognitive Task Analysis: A Case Study for Authoring an Expert Model. International Journal of Artificial Intelligence in Education, 1-28.