180 — IA para educación y aprendizaje adaptativo

← Clase anterior · Índice de la parte · Clase siguiente →

Parte: 14 — Frontera, investigación y proyectos integradores
Nivel: frontera · Horas estimadas: 6
Laboratorio: agent · Estado: EXECUTABLE_CORE

🎯 Propósito

Comprender ia para educación y aprendizaje adaptativo dentro de la evolución de la inteligencia artificial, implementar un experimento mínimo verificable y distinguir qué parte constituye evidencia frente a una afirmación todavía no comprobada.

📚 Resultados de aprendizaje

Al finalizar podrás:

  1. Explicar ia para educación y aprendizaje adaptativo usando los conceptos education, tutoring, assessment, pedagogy.
  2. Ejecutar el laboratorio con una semilla explícita y revisar su contrato JSON.
  3. Identificar al menos un supuesto, una limitación y un riesgo de aplicación.
  4. Comparar el enfoque con la etapa anterior de la ruta de aprendizaje.
  5. Producir una evidencia reproducible y una conclusión que no exceda los datos.

🧩 Conceptos centrales

education, tutoring, assessment, pedagogy

🗺️ Ubicación en el mapa de la IA

La educación fue uno de los primeros sueños de la IA aplicada (los "sistemas tutores inteligentes" datan de los años 70) y el hallazgo que la motiva sigue vigente: Bloom (1984) midió que la tutoría individual mejora el rendimiento ~2 desviaciones estándar sobre la clase tradicional — el "problema 2 sigma": lograr ese efecto a un costo escalable. Esta clase hereda de la inferencia bayesiana (parte 3) y de los LLM conversacionales (partes 6-7), y conecta con la evaluación de sistemas (parte 13): un tutor que no mide lo que el estudiante sabe no es adaptativo, es un PDF con chat.

📖 Fundamentos

🎓 Los tres problemas del tutor adaptativo

  1. Modelar al estudiante: estimar qué sabe (knowledge tracing).
  2. Elegir la siguiente actividad: ni trivial ni imposible (la zona de desarrollo próximo, ZPD, de Vygotsky: lo que el estudiante puede hacer con ayuda pero no solo; ahí ocurre el aprendizaje).
  3. Dar retroalimentación: pistas graduadas en lugar de la solución (la tutoría eficaz, VanLehn 2011, funciona por andamiaje, no por explicación magistral).

📈 Bayesian Knowledge Tracing (BKT)

El modelo clásico (Corbett y Anderson, 1995) trata cada habilidad como una variable binaria latente L (dominada / no dominada) y actualiza P(L) con cada respuesta. Cuatro parámetros por habilidad:

P(L0)  probabilidad inicial de dominio
P(T)   transición: aprender la habilidad tras una oportunidad de práctica
P(S)   slip: fallar aunque se domina        ("resbalón")
P(G)   guess: acertar sin dominar            (adivinar)

Observación correcta:
  P(L | correcto) = P(L)(1−P(S)) / [ P(L)(1−P(S)) + (1−P(L))P(G) ]
Observación incorrecta:
  P(L | error)    = P(L)P(S)     / [ P(L)P(S)     + (1−P(L))(1−P(G)) ]
Después, en ambos casos, oportunidad de aprender:
  P(L') = P(L|obs) + (1 − P(L|obs))·P(T)

Es un filtro bayesiano de dos estados (un HMM): actualización por evidencia + deriva por aprendizaje. Con P(L) > umbral (típico 0.95) se declara "dominio" y se avanza.

Deep Knowledge Tracing (Piech et al., 2015) sustituye el modelo por habilidad por una RNN sobre la secuencia completa de interacciones: captura correlaciones entre habilidades y prerequisitos implícitos, a cambio de perder la interpretabilidad de los 4 parámetros (¿por qué el modelo cree que no domino fracciones?) y de necesitar muchos más datos.

🎯 Elegir actividad: ZPD como regla de decisión

Con el modelo de estudiante en la mano, la política clásica es mantener la probabilidad de éxito de la siguiente tarea en una banda intermedia (≈ 0.6-0.8): demasiado fácil no enseña, demasiado difícil frustra y no da señal utilizable. Esto convierte la ZPD en un criterio computable: elegir el ítem cuya dificultad estimada (vía IRT o histórico) cruce con el P(L) actual dentro de la banda.

🤖 LLM como tutores: promesa y trampa

Los LLM aportan lo que los sistemas clásicos no tenían: diálogo abierto, explicación a demanda y generación de ejercicios. Sus modos de fallo son específicos del dominio: complacencia (dar la solución cuando el estudiante la pide, destruyendo la práctica), alucinación pedagógica (explicaciones seguras e incorrectas, graves justo porque el estudiante no puede detectarlas) y ausencia de modelo de estudiante (sin memoria estructurada de qué domina cada quien, el "tutor" repite nivel genérico). Los diseños serios acoplan LLM (interacción) + knowledge tracing (estado) + política de pistas graduadas (pedagogía), y evalúan con learning gain (pre/post test), no con satisfacción del usuario.

🧮 Ejemplo trabajado

Habilidad "resta con llevadas": P(L)=0.40, P(S)=0.10, P(G)=0.20, P(T)=0.15. El estudiante responde correctamente un ejercicio:

Paso 1 — evidencia:
  numerador   = 0.40 × (1−0.10) = 0.36
  denominador = 0.36 + 0.60 × 0.20 = 0.36 + 0.12 = 0.48
  P(L | correcto) = 0.36/0.48 = 0.75

Paso 2 — oportunidad de aprender:
  P(L') = 0.75 + 0.25 × 0.15 = 0.7875

Una sola respuesta correcta subió el dominio estimado de 0.40 a 0.79 — mucho, porque P(G)=0.20 hace poco plausible acertar adivinando. Si en cambio hubiera fallado: P(L|error) = 0.40×0.10 / (0.04 + 0.60×0.80) = 0.04/0.52 ≈ 0.077, y con la transición P(L') ≈ 0.077 + 0.923×0.15 ≈ 0.216. Nótese la asimetría: el error es evidencia fuerte (fallar dominando es raro, P(S)=0.10). Todavía lejos del umbral 0.95: el tutor daría más práctica, no avanzaría de tema.

📊 Propiedades y comparación

Modelo de estudiante Parámetros Interpretable Datos necesarios Captura prerequisitos Límite principal
BKT 4 por habilidad Sí Pocos No (habilidades independientes) Supone habilidad binaria
IRT Dificultad/discriminación por ítem + habilidad continua Sí Medios No Estático (no modela aprender)
DKT (RNN) Miles-millones No Muchos Sí (implícito) Caja negra; sobreajusta con poco dato
LLM sin estado — Narrativa Cero (pretrained) Solo en el diálogo No hay modelo persistente del estudiante 
flowchart TD
    A["Estudiante responde ítem"] --> B["Actualizar P(L) por Bayes<br/>(slip, guess)"]
    B --> C["Aplicar transición P(T)"]
    C --> D{"P(L) > 0.95?"}
    D -->|Sí| E["Habilidad dominada:<br/>siguiente objetivo del grafo"]
    D -->|No| F["Elegir ítem en la ZPD<br/>(éxito esperado 0.6-0.8)"]
    F --> G["LLM: presentar, dialogar,<br/>pistas graduadas sin dar la solución"]
    G --> A
    E --> H["Medir learning gain<br/>(pre/post), no satisfacción"]

⚠️ Errores conceptuales frecuentes

  1. "Acertó, así que sabe." Con P(G)=0.25 (opción múltiple de 4), un acierto es evidencia débil; BKT existe precisamente para pesar slip y guess en vez de contar aciertos.
  2. "Personalizar = dejar que el LLM converse." Sin estado persistente de dominio por habilidad no hay adaptación: la dificultad no cambia con lo aprendido y el tutor repite nivel genérico.
  3. "Cuanta más ayuda, mejor tutor." Dar la solución elimina la práctica recuperativa; la tutoría eficaz andamia (pistas mínimas crecientes) y tolera el error productivo dentro de la ZPD.
  4. "El learning gain se mide con encuestas de satisfacción." Los estudiantes prefieren tutores complacientes; el efecto de Bloom se midió con pre/post test. Satisfacción y aprendizaje pueden anticorrelacionar.
  5. "DKT es mejor porque es deep." Con pocos datos por habilidad, BKT/IRT rinden igual o mejor y son auditables ante estudiantes, docentes y reguladores — en educación la explicabilidad es requisito, no lujo.

🚀 Del aprendizaje a la operación

Un tutor real exige además: un grafo de prerequisitos curado por docentes (la IA no lo inventa sola), calibración de P(S)/P(G) por ítem con datos reales, evaluación con grupos de control y pre/post test antes de afirmar mejora, protección de datos de menores (los historiales de aprendizaje son datos sensibles bajo GDPR/COPPA), y un canal docente: el sistema informa y sugiere, pero la decisión pedagógica de alto impacto (retener, avanzar, derivar) queda en humanos.

🧪 Laboratorio

python lab.py

El laboratorio llama a ai_evolution.labs.run_lab("agent"). Esta decisión evita 183 implementaciones divergentes: cada clase tiene un entrypoint propio, pero los motores didácticos se prueban como una biblioteca común.

🔍 Evidencia esperada

📓 Notebooks

📝 Evaluación

Criterio Peso
Comprensión conceptual 25 %
Ejecución reproducible 25 %
Interpretación basada en evidencia 25 %
Riesgos, límites y mejora propuesta 25 %

Consulta assessment.md para preguntas y criterio de aceptación.

⚠️ Errores comunes

Síntoma Causa probable Corrección
El código corre, pero no hay conclusión Se confundió ejecución con aprendizaje Explica qué demuestra y qué no demuestra
El resultado cambia sin explicación No se registró semilla o configuración Conserva semilla, versión y parámetros
Se promete uso real Se extrapoló desde una demo educativa Declara entorno, datos, límites y revisión humana
Se copia una métrica aislada No existe baseline ni costo de error Añade comparación y criterio de decisión

❓ Preguntas frecuentes

¿Debo usar una API comercial?
No. El núcleo funciona localmente. Las extensiones LIVE se documentan por separado.

¿El laboratorio representa una implementación industrial?
No por sí solo. Enseña el contrato y el patrón; producción exige integración, seguridad, observabilidad, pruebas y operación.

¿Dónde profundizo?
Revisa las especializaciones enlazadas en el README raíz y la ruta siguiente.

🔗 Referencias

📜 Papers que fundamentan esta clase

Bloque generado por python scripts/link_papers_to_classes.py. La fuente es papers/catalog/papers.json.

Paper Año Qué desbloqueó Miniatura
P141 · El problema de las dos sigmas: buscar instrucción grupal tan eficaz como la tutoría individual 1984 Cuantifica en desviaciones típicas cuánto mejora la tutoría individual sobre la clase convencional, y convierte esa cifra en un problema de ingeniería educativa. notebook

Cada ficha explica el problema anterior, la matemática mínima, los límites y los errores de atribución más frecuentes. Para leerlas con método: cómo leer un paper de IA · anexos matemáticos.

📚 Bibliografía de apoyo

Bloque generado por python scripts/link_sources_to_classes.py. Cada obra lleva su localizador verificado en sources/bibliography.json.

Los papers dicen de dónde salió el mecanismo. Estas obras lo desarrollan con el espacio que una clase no tiene: teoría completa, demostraciones y ejercicios.

Obra Edición Localizador Papel en esta clase
Vygotsky, Lev S. — Mind in society 1978 ISBN 9780674576292 · web de la obra citada en las referencias de esta clase
Russell, Stuart J. y Norvig, Peter — Artificial Intelligence: A Modern Approach 4.ª · 2020 ISBN 9780134610993 · web de la obra obra de referencia de la parte 14 · capítulo sobre el futuro de la IA
Goodfellow, Ian, Bengio, Yoshua y Courville, Aaron — Deep Learning 2016 ISBN 9780262035613 · web de la obra obra de referencia de la parte 14 · límites de los métodos actuales

⬅️ Clase anterior

179 — IA para ciberseguridad y defensa

➡️ Siguiente clase

181 — IA para ciencia, clima y salud responsable

📝 Evaluación completa

❓ Preguntas

  1. Define ia para educación y aprendizaje adaptativo sin usar una marca o framework como definición.
  2. Explica la relación entre education, tutoring, assessment, pedagogy.
  3. Ejecuta lab.py dos veces con la misma semilla. ¿Qué debe conservarse?
  4. Identifica una afirmación permitida y una afirmación exagerada sobre el resultado.
  5. Propón una prueba negativa o un caso límite.

🏆 Reto verificable

Amplía el resultado del laboratorio con una clave student_extension que incluya:

✅ Criterio de aceptación