Un proyecto de dos años evaluará cómo los modelos de inteligencia artificial interpretan el razonamiento matemático y orientan el aprendizaje escolar
La inteligencia artificial generativa puede resolver problemas matemáticos en segundos, pero todavía enfrenta dificultades para interpretar cómo razonan los estudiantes y ofrecerles orientación sin entregar directamente las respuestas. Investigadores de la Universidad Estatal de Portland desarrollarán un sistema de evaluación para determinar si estas herramientas pueden contribuir al aprendizaje matemático sin sustituir el pensamiento de los alumnos.
El proyecto, denominado Seeing Through Data: Benchmarking Adaptive Feedback on Grades 6–12 Data Reasoning, cuenta con una subvención de 2 millones de dólares de la Fundación Gates y Learning Commons y tendrá una duración de dos años. La iniciativa forma parte del Programa de Infraestructura de IA de Digital Promise para la Educación Primaria y Secundaria.
La investigación estará encabezada por Eva Thanheiser, profesora de didáctica de las matemáticas, y Ameeta Agrawal, profesora asociada de informática. También participa Amanda Sugimoto, profesora de educación, quien dirigirá el componente de alfabetización.
El objetivo del equipo es desarrollar herramientas capaces de distinguir entre una respuesta de IA que simplemente proporciona la solución correcta y otra que identifica el razonamiento del estudiante para sugerirle un siguiente paso. Para ello, los investigadores trabajarán con docentes de distritos escolares asociados en el diseño de actividades matemáticas dirigidas a estudiantes de sexto a duodécimo grado. Las tareas permitirán observar diferentes formas de resolver problemas y analizar cómo responden los modelos ante cada razonamiento.
Según Agrawal, cualquier modelo puede proporcionar retroalimentación, pero su calidad varía. La investigación buscará establecer criterios para comparar sistemas como Claude y GPT-6 Astra, especialmente en su capacidad para apoyar el razonamiento matemático en lugar de limitarse a entregar respuestas.
La evaluación considerará si la IA comprende correctamente el procedimiento del estudiante, identifica una intervención educativa adecuada y adapta sus comentarios cuando el alumno demuestra una nueva comprensión. También examinará si las recomendaciones permiten que el estudiante conserve una participación activa en la resolución del problema.
Las actividades se concentrarán en la interpretación y visualización de datos, una habilidad que implica analizar información, identificar comparaciones pertinentes y determinar si las conclusiones están justificadas. Thanheiser explicó que comprender gráficos no consiste únicamente en elaborarlos. También requiere reconocer qué información contienen, cómo fue seleccionada y qué afirmaciones pueden sostenerse a partir de ella.
Como ejemplo, planteó el caso de un estudiante que compara dos escuelas mediante un gráfico de barras. La primera registra 80 suspensiones y la segunda 50, por lo que concluye que la primera tiene mayores problemas disciplinarios.
Una respuesta limitada de la IA podría felicitar al estudiante por elaborar el gráfico y recomendarle agregar etiquetas. Una intervención más útil identificaría que las escuelas podrían tener cantidades diferentes de alumnos y sugeriría analizar si las cifras absolutas o las tasas de suspensión permiten realizar una comparación adecuada.
Este tipo de situaciones permitirá evaluar si los modelos detectan aspectos relevantes del razonamiento y orientan al estudiante hacia nuevas preguntas sin resolver el ejercicio por él.
Los investigadores prevén reunir 1,200 muestras de trabajo e interacciones educativas, de las cuales eliminarán la información que permita identificar a los estudiantes. Una parte de los datos servirá para enseñar a un modelo interno qué características debe tener una retroalimentación educativa adecuada. La mayor parte se reservará para comprobar el desempeño de los sistemas evaluados.
En lugar de asignar una única calificación general, el proyecto examinará distintas dimensiones de la respuesta: comprensión del razonamiento, selección del siguiente paso educativo, ejecución de la orientación, preservación del trabajo matemático del estudiante y adaptación a nuevas respuestas.
La investigación también incorporará actividades basadas en infografías y textos informativos. Sugimoto estudiará si los modelos pueden reconocer razonamientos sólidos en estudiantes con diversidad lingüística y cultural, incluso cuando sus respuestas no estén redactadas en un inglés impecable.
De acuerdo con los investigadores, evaluaciones anteriores sugieren que los sistemas presentan mayores dificultades al analizar trabajos de estudiantes que necesitan más apoyo educativo.
La discusión sobre el uso de inteligencia artificial en la educación en México también está presente en el ámbito escolar. Rocío del Carmen Cuadros Chacón, directora general de EduPraxis Global, advirtió en entrevista con NotiPress que depender de respuestas automáticas puede reducir las oportunidades de ejercitar el pensamiento crítico y el razonamiento de los estudiantes. La especialista consideró necesario que los docentes utilicen estas herramientas como apoyo para profundizar en los contenidos, sin sustituir los procesos de interpretación de los alumnos.
Esta perspectiva también alcanza la evaluación escolar. EduPraxis Global planteó que calificar únicamente el resultado final de una tarea aporta información limitada sobre lo que comprendió el estudiante. Entre los elementos que propone observar se encuentran la construcción de argumentos, la verificación de información y las decisiones tomadas durante el aprendizaje.
Por otra parte, Inspired Education Group ha incorporado herramientas de inteligencia artificial en el American Institute of Monterrey (AIM) para personalizar actividades educativas. Según explicó Juan Alcocer, director regional de TI para Latinoamérica de Inspired Education Group, estos sistemas analizan el desempeño de los alumnos, identifican fortalezas y dificultades, recomiendan ejercicios adaptados a su nivel de comprensión y proporcionan información a los profesores para acompañar su aprendizaje.
Las experiencias mexicanas presentan dos dimensiones del mismo desafío educativo: preservar el razonamiento propio de los estudiantes y utilizar la IA para adaptar la enseñanza. Ambas se relacionan con las preguntas que busca responder la investigación de Portland, aunque no constituyen resultados ni validaciones de sus futuros instrumentos de evaluación.
El equipo plantea que los resultados podrían servir para desarrollar criterios independientes de evaluación de herramientas de IA educativa. Estos permitirían que escuelas y distritos escolares examinen las capacidades y limitaciones de distintos modelos antes de considerar su incorporación a las actividades de enseñanza.
El proyecto no busca demostrar que la inteligencia artificial puede sustituir a los profesores, sino establecer qué tan bien reconoce el razonamiento de los alumnos y qué tipo de orientación puede ofrecer para fortalecerlo. Agrawal resumió el propósito de la investigación al señalar que la IA está dispuesta a realizar el trabajo por el usuario, pero el objetivo educativo es distinto: potenciar la capacidad de pensar del estudiante.
La diferencia entre obtener una respuesta correcta y comprender el procedimiento para llegar a ella será el centro de las pruebas que desarrollará la Universidad Estatal de Portland durante los próximos dos años.