Uno de los aspectos más atractivos de la IA conversacional de voz que incluye Degreed Maestro es su capacidad para crear experiencias de aprendizaje bidireccionales, personalizadas y adaptables. De todos modos, sabemos que la voz no es el medio ideal para todas las tareas de aprendizaje.
La IA de voz no es la más adecuada para estos casos:
- Cuando se necesita un alto grado de fidelidad para precisar o ingresar información compleja.
- Cuando las referencias visuales son fundamentales.
- Cuando se necesita tiempo y espacio para resolver problemas con detenimiento.
- Cuando las tareas incluyen aspectos no verbales, por ejemplo si hay que programar o usar la interfaz de un software.
Ante esta cuestión, surgió un interrogante: ¿sería posible aprovechar lo más útil de la voz (su interactividad y adaptabilidad) y aplicarlo a contextos sin voz?
Nuestro experimento más reciente: ejercicios de aprendizaje adaptable
La respuesta se convirtió en un abordaje innovador del “aprendizaje práctico”. El concepto es simple: empezar con un objetivo de aprendizaje que se divide en requisitos o logros progresivos.
De ahí en más, la IA genera microtareas, una a la vez, para guiar la comprensión y la práctica. Proporciona comentarios inmediatos y personalizados después de cada intento, y la siguiente tarea se adapta de forma dinámica según los avances y el grado de asimilación.
Primeras impresiones
- “Me pareció muy intuitivo. Me gustó que me pidió que hiciera algo después de cada explicación y descripción de las tareas”.
- “En general, funciona muy bien. Los comentarios que hizo sobre mis respuestas me sirvieron”.
La diversificación de las modalidades
Era esencial que la interacción fuera práctica. Empezamos con recuadros para ingresar texto en distintas tareas y, después, agregamos un editor de código para usos más técnicos.
Más tarde, integramos grabaciones de la cámara web y de la pantalla. En particular, las grabaciones de la pantalla resultaron muy valiosas porque los usuarios que participaron en este experimento pudieron demostrar sus capacidades directamente en el contexto de su trabajo o de usos específicos.
Primeras impresiones
- “Me gustó que no solo me pidió que escribiera, sino que también me grabara hablando. De esa forma, pude afianzar lo aprendido. Me pareció muy bueno”.
- “Sin duda, fue una experiencia interactiva y entretenida”.
Por último, agregamos preguntas de opción múltiple porque pedir respuestas escritas todo el tiempo puede ser agotador. Estas preguntas son un método más llevadero para confirmar que se entendió lo aprendido.
Con esta diversa gama de modalidades, la IA puede elegir el formato más adecuado para cada tarea y secuenciar las opciones de forma progresiva a fin de regular la carga cognitiva. En la práctica, por lo general se empieza con preguntas de opción múltiple para constatar la comprensión de los conceptos básicos, se continúa con preguntas abiertas o consignas que requieren la programación de código para los usos prácticos y se concluye con grabaciones de la cámara web o de la pantalla para verificar el dominio del tema.
Personalizar la enseñanza
Una de las principales dificultades fue encontrar el punto justo de apoyo en el proceso de enseñanza: debía ser suficiente como para evitar la frustración de los usuarios, pero no excesivo, de modo que los usuarios no perdieran el interés. Nuestra solución actual consiste en varias opciones de configuración:
- Pistas: Se pueden pedir cuando uno lo desee.
- Preguntas y respuestas potenciadas por IA: Para aclarar dudas en el momento.
- Profundidad de la enseñanza: Se puede elegir entre ninguna, básica o profunda.
En cada tarea, también incluimos el ícono de un conejo en una madriguera. Al pulsar este ícono, los usuarios que participaron en este experimento podían recurrir a materiales de aprendizaje específicos para contextualizar la información o recibir explicaciones detalladas si es que lo necesitaban.
Amoldarse a cada aprendiz
Es bastante complicado lograr que una experiencia de aprendizaje sea verdaderamente adaptable. Si era demasiado abierta, los usuarios no sabían bien cuánto tiempo o esfuerzo les iba a demandar. Optamos por una estructura inicial combinada con una guía adaptable y verificamos que los avances siempre fueran visibles.
Otra dificultad fue comparar los avances con los requisitos, sobre todo si se necesitaban varios intentos para alcanzar el dominio de un tema completando una cantidad indeterminada de tareas. Para lograr que la adaptabilidad resultara atinada, hubo que repetir el proceso muchas veces. El sistema tenía que bajar el nivel de dificultad cuando el aprendiz se trababa, dividir las tareas en unidades razonables, partir de los conocimientos previos y verificar que los ejercicios coincidieran con los ejemplos y las instrucciones sin hacerlos demasiado fáciles.
Del prototipo a lo que vendrá: el proceso continúa
Este experimento seguirá evolucionando gracias a la opinión de más de 50 usuarios (¡les agradecemos mucho!). Prevemos que los administradores y los gestores de contenidos definirán objetivos de aprendizaje, integrarán estas experiencias adaptables a itinerarios más amplios y aprovecharán los informes y las perspectivas, que son de suma utilidad. Según las primeras opiniones, una de las principales medidas para lograr esto será garantizar la posibilidad de cargar documentos o materiales de capacitación para generar y personalizar de forma automática los requisitos de aprendizaje, partiendo de los conocimientos específicos de las empresas y la labor particular de sus empleados.
Como dijo uno de los usuarios: “Es una herramienta excelente. Me permitió ver cómo las empresas pueden adoptarla e integrarla a sus conocimientos exclusivos para crear asistentes en línea que funcionen en tiempo real”.
En última instancia, este experimento resultó ser una herramienta de aprendizaje increíblemente flexible, entretenida y eficaz. Su capacidad para hacer comentarios personalizados al instante sin aumentar la carga administrativa tiene un valor incalculable. Con la progresión adaptable potenciada por IA, el grado de dificultad siempre parece atinado, y la opción de profundizar la enseñanza les da a los aprendices la posibilidad de personalizar la ayuda que reciben.
Primeras impresiones
- “Para quienes quieren aprender mientras trabajan y necesitan entender algo con rapidez, sin duda es muy útil”.
¿Cómo será el futuro del aprendizaje adaptable?
Desde luego, el éxito de este prototipo ha dado lugar a nuevas posibilidades e hipótesis interesantes para el futuro, por ejemplo:
- Evaluaciones adaptables: La reinvención de nuestro modo de cuantificar las habilidades y los conocimientos.
- Ayuda y motivación para el aprendizaje adaptable: Aparte de adaptar la enseñanza y las tareas, vislumbramos que se podrá personalizar el modo de ayudar y motivar a los aprendices a lo largo de su experiencia.
- Procesos de trabajo adaptables: En lugar de grabaciones de la pantalla, que contienen datos confidenciales, ¿la IA puede generar videos sintéticos de los procesos de trabajo y optimizarlos para practicar sin poner en riesgo datos reales?
Participa
Si te interesa experimentar con este prototipo, puedes hacer esto:
- Envíale un mensaje a Taylor Blake por LinkedIn
- Suscríbete a nuestra lista de correo sobre experimentos
- Sigue a Degreed en LinkedIn
Sigamos en contacto.
Quiero suscribirme al boletín mensual con perspectivas exclusivas, los próximos eventos y novedades sobre las soluciones de Degreed.