Las plataformas de aprendizaje online (o de e-Learning) son un recurso cada vez más accesible y popular para aprender, y muchas instituciones de aprendizaje tradicional, como universidades e institutos, refuerzan sus contenidos con materiales digitales.
Uno de los argumentos que suelen jugar en contra de este tipo de plataformas de aprendizaje es la falta de personalización, ya que, hasta ahora, se suelen limitar a listar una serie de contenidos para que el alumno los consulte y una serie de tests para que el alumno pueda comprobar el grado de conocimiento adquirido.
Aunque la enseñanza a distancia tiene su origen en a mediados del siglo XIX (por aquella época, por correspondencia), es gracias a la llegada de internet cuando esta metodología de aprendizaje comienza a cobrar popularidad.
Gracias a los MOOCs (acrónimo de Massive Online Open Course o Curso Online Masivo y Abierto), ahora hay plataformas online de enseñanza con millones de usuarios activos. Con este escenario en mente, comunidades dentro del campo de la inteligencia artificial (como la AIED, Artificial Intelligence in Education o la EDM, Educational Data Mining) se centran en investigar cómo ofrecer una mejor experiencia de aprendizaje al alumno.
Hay mil líneas de investigación posibles en este campo. La mayoría buscan optimizar el rendimiento del alumno aprendiendo de su forma de aprender. Pero el aprendizaje es un proceso complejo en el que hay muchas variables involucradas.
Una de esas variables es el estado afectivo del estudiante, que puede jugar un papel crucial en su implicación en la materia. Hay estudios que se centran en evaluar, dentro de entornos e-Learning, qué estados afectivos pueden favorecer la superación de metas (llegando a ver en algunos estudios cómo la frustración en pequeñas dosis puede llegar a alentar el aprendizaje mientras que otros estados como el de aburrimiento pueden llegar a tener un impacto negativo en él).
Para que un sistema inteligente pueda reaccionar ante posibles estados afectivos que puedan tener un impacto negativo en el aprendizaje (intentando fomentar aquellos con un impacto positivo), antes debe ser capaz de identificar el estado en el que se encuentra el estudiante.
Existe una parte de la comunidad científica cuya investigación se centra, dentro de lo que se llama computación afectiva (Afffective Computing, un término que se le suele asociar a la investigadora del MIT Rosalind Picard), en la detección de estados afectivos por parte de máquinas.
Para ello, el enfoque más común suele estar basado en el uso de señales fisiológicas (desde frecuencia cardiaca hasta señales mucho más complejas como encefalografía).
Aunque hace unos años, podría parecer inviable un enfoque basado en la recogida de este tipo de señales (ya que antiguamente la recogida de este tipo de señales requerían de equipos especializados), actualmente existe un gran número de dispositivos wearables que permiten la recogida de información fisiológica en una simple pulsera (frecuencia cardiaca, sudoración de la piel, etc.).
Además, existen trabajos de investigación que intentan relacionar el uso de herramientas inherentes al uso de ordenadores o dispositivos con los que se interactuará con un entorno de e-Learning con el estado afectivo del estudiante. De esta forma, se intentará analizar la forma en la que un estudiante interactúa con un teclado, con un ratón o con una pantalla táctil, intentando descifrar si alguna variación en su forma de teclear o interactuar puede venir causada por un cambio en el estado afectivo.
Aunque hay una gran diversidad de líneas de investigación aún abiertas, se está avanzando enormemente en el campo de la detección de estados afectivos, y su aplicación en el contexto del aprendizaje a distancia permitirá que cada día nos encontremos más cerca de una experiencia de aprendizaje altamente personalizada y disfrutable al alcance de todo aquel que tenga acceso a Internet.
Escrito por:
Sergio Salmerón, Ingeniero informático por la Universidad Complutense de Madrid.
Máster en Inteligencia Artificial Avanzada por la UNED y finalizando el doctorado en Sistemas Inteligentes por la UNED, lleva 6 años desarrollando su investigación en el grupo de investigación aDeNu, dentro del departamento de Inteligencia Artificial de la UNED. Además, ha realizado estancias de investigación en la Universidad de British Columbia en Vancouver (2015) y en la universidad de Columbia en Nueva York (2016).
Su investigación se centra en la detección de estados afectivos mediante técnicas de machine learning dentro de entornos de e-Learning.
En Twitter: @sergio_ese
https://twitter.com/sergio_ese
