Información

¿El enfoque actual para el aprendizaje de la IA es esencialmente conductista?

¿El enfoque actual para el aprendizaje de la IA es esencialmente conductista?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

La IA, al nivel que intentamos crear en estos días, implica la creación de redes neuronales que aprenden de los estímulos (experiencia, datos) y el refuerzo. Una puntuación más alta, como en un juego de Go, o un porcentaje más alto de palabras, caras o signos coincidentes parece equipararse a un refuerzo positivo dentro del condicionamiento clásico. Dado que el conductismo se considera en su mayoría como algo desactualizado, si lo anterior tiene sentido, ¿podría este modelo de aprendizaje estar limitando el progreso en la IA?


Aprendiendo

la adquisición de conocimientos, habilidades y hábitos. En contraste con los conceptos pedagógicos de formación, educación y crianza, el término "aprendizaje" se utiliza principalmente en la psicología del comportamiento y abarca una amplia gama de procesos que componen la experiencia individual. Entre los fenómenos clasificados como aprendizaje se encuentran la habituación, la impronta, el desarrollo de los reflejos condicionados más simples y las habilidades motoras y del habla complejas, las reacciones en la discriminación sensorial y el aprendizaje inteligente (en humanos).

Al igual que el "comportamiento instintivo", el "aprendizaje" es un concepto fundamental de la etología que se refiere a la adaptación de un animal a su entorno mediante cambios en su comportamiento innato. Hay dos formas básicas de aprendizaje: el aprendizaje obligatorio (principalmente impronta), que es característico de todos los individuos de una especie determinada y el aprendizaje facultativo (principalmente el hábito y, hasta cierto punto, la imitación), que es característico del comportamiento de algunos individuos. y depende de las condiciones específicas de sus vidas.

Una enorme cantidad de experimentos, muchos de ellos realizados en animales en Estados Unidos en el marco del conductismo, se han dedicado a los procesos de aprendizaje. La atención se ha centrado en dilucidar la influencia de varios factores en el aprendizaje, incluido el número y distribución de repeticiones, el refuerzo (la ley del efecto), el tipo de condicionamiento de las respuestas y la dependencia del estado de necesidad. Más complejos son los problemas de la transferencia de los resultados del aprendizaje a condiciones que difieren de las de la situación de aprendizaje original, el aprendizaje latente y la formación de estructuras sensoriomotoras y síntesis sensoriales que funcionan como las variables internas de la conducta, o sus vínculos psicológicos. .

La mayor parte de la investigación sobre el aprendizaje, que generalmente se define como la adaptación a las condiciones creadas en el experimento, se ha concentrado en las formas más simples y "pasivas" de adquirir hábitos, incluidos los sensoriales y mentales. Por tanto, los resultados de esta investigación no pueden extenderse a formas de aprendizaje específicas de los seres humanos. La experiencia histórica de la humanidad se transmite a determinadas personas a través de la educación, una de las funciones más importantes de la sociedad y rsquos, que se encomienda específicamente a las escuelas y otras instituciones pedagógicas.


¿Qué es el conductismo en psicología?

El conductismo es la teoría de que la psicología humana o animal se puede estudiar objetivamente a través de acciones observables (comportamientos). Este campo de estudio surgió como una reacción a la psicología del siglo XIX, que utilizó el autoexamen de los pensamientos y sentimientos de uno para examinar humanos y animales. psicología.

Conclusiones clave: conductismo

  • El conductismo es la teoría de que la psicología humana o animal se puede estudiar objetivamente a través de acciones (comportamientos) observables, en lugar de pensamientos y sentimientos que no se pueden observar.
  • Las figuras influyentes del conductismo incluyen a los psicólogos John B. Watson y B.F. Skinner, quienes están asociados con el condicionamiento clásico y el condicionamiento operante, respectivamente.
  • En el condicionamiento clásico, un animal o un humano aprende a asociar dos estímulos entre sí. Este tipo de condicionamiento implica respuestas involuntarias, como respuestas biológicas o emocionales.
  • En el condicionamiento operante, un animal o un ser humano aprende un comportamiento asociándolo con consecuencias. Esto se puede hacer mediante refuerzo o castigo positivo o negativo.
  • El condicionamiento operante todavía se ve en las aulas de hoy, aunque el conductismo ya no es la forma dominante de pensar en psicología.

Introducción

El propósito de este documento de posición es presentar el estado actual, las oportunidades y los desafíos de los macrodatos y la inteligencia artificial en la educación. El trabajo se ha originado a partir de las opiniones y actas de un panel de discusión de una conferencia internacional sobre big data e IA en la educación (The International Learning Sciences Forum, 2019), donde destacados investigadores y expertos de diferentes disciplinas como educación, psicología, ciencia de datos, IA , neurociencia cognitiva, etc., intercambiaron sus conocimientos e ideas. Este artículo está organizado de la siguiente manera: comenzamos con una descripción general del progreso reciente del big data y la inteligencia artificial en la educación. A continuación, presentamos los principales desafíos y tendencias emergentes. Finalmente, en base a nuestras discusiones sobre big data e IA en educación, se sugieren conclusiones y alcance futuro.

Los rápidos avances en las tecnologías de big data e inteligencia artificial (IA) han tenido un impacto profundo en todas las áreas de la sociedad humana, incluida la economía, la política, la ciencia y la educación. Gracias en gran parte a estos desarrollos, podemos continuar muchas de nuestras actividades sociales bajo la pandemia de COVID-19. Las herramientas digitales, las plataformas, las aplicaciones y las comunicaciones entre las personas han generado grandes cantidades de datos (& # x2018big data & # x2019) en ubicaciones dispares. Las tecnologías de big data tienen como objetivo aprovechar el poder de una gran cantidad de datos en tiempo real o de otro modo (Daniel, 2019). Los atributos característicos de big data a menudo se denominan los cuatro V & # x2019s. Es decir, volumen (cantidad de datos), variedad (diversidad de fuentes y tipos de datos), velocidad (velocidad de transmisión y generación de datos) y veracidad (la precisión y confiabilidad de los datos) (Laney, 2001 Schroeck et al., 2012 Geczy, 2014). Recientemente, se agregó una quinta V, a saber, valor (es decir, que los datos podrían monetizarse Dijcks, 2013). Debido a las características intrínsecas de big data (las cinco V), los conjuntos de datos grandes y complejos son imposibles de procesar y utilizar mediante el uso de técnicas tradicionales de gestión de datos. Por lo tanto, se requieren tecnologías computacionales novedosas e innovadoras para la adquisición, almacenamiento, distribución, análisis y gestión de big data (Lazer et al., 2014 Geczy, 2015). El análisis de big data comúnmente abarca los procesos de recopilación, análisis y evaluación de grandes conjuntos de datos. La extracción de conocimiento procesable y patrones viables de los datos a menudo se considera como los beneficios centrales de la revolución del big data (Mayer-Sch & # x00F6nberger y Cukier, 2013 Jagadish et al., 2014). El análisis de big data emplea una variedad de tecnologías y herramientas, como análisis estadístico, minería de datos, visualización de datos, análisis de texto, análisis de redes sociales, procesamiento de señales y aprendizaje automático (Chen y Zhang, 2014).

Como subconjunto de la IA, el aprendizaje automático se centra en la creación de sistemas informáticos que puedan aprender de los datos y adaptarse a ellos automáticamente sin una programación explícita (Jordan y Mitchell, 2015). Los algoritmos de aprendizaje automático pueden proporcionar nuevos conocimientos, predicciones y soluciones para personalizar las necesidades y circunstancias de cada individuo. Con la disponibilidad de datos de entrenamiento de entrada de gran cantidad y alta calidad, los procesos de aprendizaje automático pueden lograr resultados precisos y facilitar la toma de decisiones informadas (Manyika et al., 2011 Gobert et al., 2012, 2013 Gobert y Sao Pedro, 2017). Estos métodos de aprendizaje automático intensivos en datos se colocan en la intersección de big data e IA, y son capaces de mejorar los servicios y la productividad de la educación, así como muchos otros campos, incluidos el comercio, la ciencia y el gobierno.

Con respecto a la educación, nuestra principal área de interés aquí, la aplicación de tecnologías de IA se remonta aproximadamente a hace 50 años. El primer Sistema de Tutoría Inteligente & # x201CSCHOLAR & # x201D fue diseñado para apoyar el aprendizaje de la geografía y fue capaz de generar respuestas interactivas a las declaraciones de los estudiantes (Carbonell, 1970). Si bien la cantidad de datos era relativamente pequeña en ese momento, era comparable a la cantidad de datos recopilados en otros estudios educativos y psicológicos tradicionales. La investigación sobre la IA en la educación durante las últimas décadas se ha dedicado al avance de las tecnologías de computación inteligente, como los sistemas de tutoría inteligentes (Graesser et al., 2005 Gobert et al., 2013 Nye, 2015), los sistemas robóticos (Toh et al., 2016). Anwar et al., 2019) y chatbots (Smutny y Schreiberova, 2020). Con los avances en las tecnologías de la información en la última década, los psicólogos educativos han tenido un mayor acceso a big data. Concretamente, las redes sociales (p. Ej., Facebook, Twitter), los entornos de aprendizaje en línea [p. Ej., Cursos en línea abiertos masivos (MOOC)], los sistemas de tutoría inteligentes (p. Ej., AutoTutor), los sistemas de gestión del aprendizaje (LMS), los sensores y los dispositivos móviles son generando cantidades cada vez mayores de datos dinámicos y complejos que contienen registros personales de estudiantes & # x2019, datos fisiológicos, registros de aprendizaje y actividades, así como su rendimiento y resultados de aprendizaje (Daniel, 2015). La analítica del aprendizaje, descrita como & # x201C la medición, recopilación, análisis y reporte de datos sobre los estudiantes y sus contextos, con el propósito de comprender y optimizar el aprendizaje y los entornos en los que ocurre & # x201D (Long y Siemens, 2011, p. 34 ), a menudo se implementan para analizar estas enormes cantidades de datos (Aldowah et al., 2019). Las técnicas de aprendizaje automático e inteligencia artificial amplían aún más las capacidades de análisis de aprendizaje (Zawacki-Richter et al., 2019). La información esencial extraída de big data podría utilizarse para optimizar el aprendizaje, la enseñanza y la administración (Daniel, 2015). Por lo tanto, la investigación sobre big data e IA está adquiriendo una importancia cada vez mayor en educación (Johnson et al., 2011 Becker et al., 2017 Hwang et al., 2018) y psicología (Harlow y Oswald, 2016 Yarkoni y Westfall, 2017 Adjerid y Kelley , 2018 Cheung y Jak, 2018). Recientemente, la adopción de big data e IA en la psicología del aprendizaje y la enseñanza ha sido tendencia como un método novedoso en la investigación educativa de vanguardia (Daniel, 2015 Starcic, 2019).


Una mirada a la indagación apreciativa en educación

La Indagación Apreciativa también puede ser muy beneficiosa para la educación. En un estudio realizado en la Universidad Estatal de California, San Bernardino, los académicos consideraron el proceso de IA como un camino hacia el cambio en términos de educación. (Buchanan, 2014)

La mayoría de las iniciativas estatales y federales para el cambio educativo se derivan de un modelo de déficit que examina qué está mal y cómo solucionarlo.

La indagación apreciativa se centra en lo que es correcto y lo que ya está funcionando. El estudio realizado exploró las diversas relaciones y el liderazgo, así como las cualidades de aprendizaje organizacional que existían dentro de cinco distritos escolares unificados en High Desert.

El estudio utilizó la inteligencia artificial como un proceso para implementar los Estándares Estatales Básicos Comunes (CCSS) para adoptar una estructura de liderazgo distribuida y crear las condiciones para una implementación más impactante de la próxima reforma.

La pregunta de investigación implicó examinar la relación entre los educadores y la capacidad de apreciación, el liderazgo distribuido, el aprendizaje organizacional y la preparación para implementar una reforma curricular ordenada por el estado, la CCSS.

El estudio tenía el potencial de transformar la práctica educativa proporcionando un modelo valioso para la reforma educativa en curso.

El estudio utilizó el modelo 5-D de IA, que se centra en adoptar un enfoque basado en las fortalezas para mejorar la cultura escolar.

Este enfoque 5-D prepara a las organizaciones para un crecimiento continuo en términos de fortalezas en el sistema.

El estudio examinó la IA en términos de liderazgo distribuido y aprendizaje organizacional. El contexto del estudio fue la preparación de los educadores para implementar la reforma CCSS.

Los participantes del estudio procedían de distritos escolares en High Desert del condado de San Bernardino, el condado geográfico más grande de los EE. UU. Y hogar de 33 distritos escolares.

El distrito emplea aproximadamente a 2,212 maestros y 177 administradores.

La hipótesis y el análisis propuesto fueron los siguientes:

  1. El inventario de capacidades de IA estará moderadamente correlacionado con los 8 principios de IA.
  2. La toma de decisiones participativa estará moderadamente correlacionada con las funciones de Liderazgo.
  3. El diálogo estará moderadamente correlacionado con la idea de asumir riesgos.
  4. Tomar riesgos estará moderadamente correlacionado con la experimentación.
  5. La experimentación se correlacionará moderadamente con el diálogo.

El estudio concluyó que la Indagación Apreciativa por sí sola no es suficiente. El liderazgo distribuido y el aprendizaje organizacional también son componentes necesarios para implementar un cambio exitoso.

Muchos esfuerzos por cambiar fracasarán incluso cuando las personas tengan voz porque los líderes pueden fallar en sustentar los aportes de esas voces.

El liderazgo distribuido y el aprendizaje organizacional mediaron parcialmente en la relación de preparación de la Investigación Apreciativa a los Estándares Estatales Básicos Comunes.

Sin embargo, el estudio reveló que un cambio significativo lleva tiempo. Los educadores participantes informaron que los constructos del estudio estaban relacionados.

Además, se determinó que a menudo no se puede lograr un cambio real en un taller estático de un día. El crecimiento debe nutrirse con aportes y comentarios continuos para monitorear el cambio y ajustar la nueva información que se recopila continuamente.

El estudio demostró que la Indagación Apreciativa es una buena opción para implementar la reforma educativa.

Según Cooperrider y Whitney, los líderes que adoptan la indagación apreciativa & # 8220 envían un mensaje claro y coherente: el cambio positivo es el camino hacia el éxito por aquí & # 8221 (Cooperrider y Whitney. 2005. p. 46)


Nuestra experiencia

En GBKSOFT, trabajamos en un proyecto de IoT único, donde también se implementa el concepto de IoB. La esencia del proyecto era ayudar a los golfistas a mejorar sus habilidades de juego con la ayuda de una aplicación móvil y un dispositivo portátil de seguimiento, es decir, corrigiendo la técnica de golpeo de la pelota existente y aprendiendo nuevas técnicas. El proceso está estructurado de esta manera. Antes de comenzar el entrenamiento, el jugador se pone un dispositivo portátil conectado a su dispositivo móvil y comienza a entrenar. Cada golpe a la pelota de golf se registra en la aplicación, se analiza (medido por la fuerza del golpe, trayectoria, ángulo, etc.). Como resultado, el jugador puede ver sus errores y obtener recomendaciones visuales sobre cómo mejorar su swing y golpe.

La singularidad de esta solución radica en el hecho de que:

  • el mercado nunca ha visto nada igual
  • la mayoría de las soluciones que estaban en el mercado se enfocaban en perfeccionar las habilidades existentes. Esta solución se centra en enseñar al jugador de golf según parámetros corporales, habilidades preexistentes, etc.
  • enfoque individual para cada usuario
  • No es necesario involucrar a un entrenador para trabajar en la calidad del juego.

Antes de iniciar el desarrollo de un proyecto, siempre recomendamos realizar una fase de descubrimiento, que ayuda a estudiar con más detalle a los clientes potenciales, las necesidades de su negocio y clientes, y analizar las soluciones existentes para hacer que la futura solución digital sea única y valiosa.

Recomendamos comenzar un desarrollo de solución compleja con MVP, lo que le permite lanzar el proyecto rápidamente. Según los comentarios recibidos de usuarios reales, amplíe las funciones de la solución al número requerido. Este enfoque le ayuda a empezar con un presupuesto reducido y a crear una solución en demanda en el mercado. A continuación, proporcionamos una estimación del MVP del proyecto del que hablamos anteriormente.

Trabajos Dólar estadounidense Horas
Especificaciones 2856 119
Diseño 1394 82
Desarrollo de Android 9303 443
Prueba manual 2010 134
Scrum Master 3186 177
Total $ 18749 955

Tenga en cuenta que la estimación se realiza para un proyecto específico y no puede servir como base para los cálculos de su proyecto & # 8217s. Dado que cada uno de estos programas es una solución individual con un conjunto particular de funciones creadas para las necesidades específicas de la empresa, puede solicitar una consulta gratuita con nuestro analista de negocios para obtener una estimación más precisa.


El futuro de las bibliotecas académicas en la era digital

Inteligencia artificial y traducción automática

La Inteligencia Artificial (IA) es una nueva ciencia y tecnología que estudia teorías, mecanismos, desarrollos y aplicaciones sobre cómo simular la inteligencia humana a través de robots computarizados, reconocimiento de voz, reconocimiento de imágenes, procesos de lenguaje natural, sistemas expertos, etc. Con la ayuda de la inteligencia artificial y tecnologías informáticas relacionadas, la traducción automática (MT) se refiere a la conversión y traducción de un lenguaje natural a otro lenguaje natural. Para las bibliotecas académicas y los bibliotecarios, se incorporarán nuevos logros en IA para cambiar los servicios de información en las futuras bibliotecas académicas. Cuando el autor vio el programa de preguntas favorito de Estados Unidos ¡Peligro! a principios de 2011, fue asombroso ver con qué facilidad IBM Robot Watson (IBM Watson, 2010) venció a dos competidores humanos y ganó el Jeopardy Championship. A partir de la victoria de IBM Watson, podemos prever cómo se verán los servicios de información en las futuras bibliotecas académicas. Dado que el inglés no es el único idioma utilizado para la transmisión de información, el desarrollo de la traducción automática acelerará el intercambio y el intercambio de información entre los diferentes países y regiones. Asimismo, será útil promover la referencia colaborativa, que es un modelo innovador de servicios de información bibliotecaria que realizan diferentes bibliotecas académicas y / o públicas en diferentes ubicaciones geográficas, entre bibliotecarios que hablan en diferentes idiomas.


Behaviorismo

El conductismo surge del trabajo de B.F. Skinner y del concepto de condicionamiento operante. Los teóricos del conductismo creen que el conocimiento existe independientemente y fuera de las personas. Ven al alumno como una pizarra en blanco a quien se le debe proporcionar la experiencia. Los conductistas creen que el aprendizaje ocurre realmente cuando se adquieren nuevos comportamientos o cambios en los comportamientos a través de asociaciones entre estímulos y respuestas. Por tanto, la asociación conduce a un cambio de comportamiento.

Proceso de aprendizaje

El proceso de aprendizaje se basa en cambios de comportamiento objetivamente observables. Los teóricos del comportamiento definen el aprendizaje simplemente como la adquisición de un nuevo comportamiento o un cambio en el comportamiento. La teoría es que el aprendizaje comienza cuando se presenta una señal o estímulo del entorno y el alumno reacciona al estímulo con algún tipo de respuesta. Las consecuencias que refuerzan el comportamiento deseado se organizan para seguir el comportamiento deseado (por ejemplo, estudiar para un examen y obtener una buena calificación). El nuevo patrón de comportamiento se puede repetir para que se vuelva automático. El cambio de comportamiento del alumno significa que se ha producido el aprendizaje. Los maestros usan el conductismo cuando recompensan o castigan los comportamientos de los estudiantes.

Ejemplos y aplicaciones de la teoría del aprendizaje conductista:

  • Taladro / trabajo de memoria
  • Práctica repetitiva
  • Puntos de bonificación (que brindan un incentivo para hacer más)
  • Puntos de participación (proporcionando un incentivo para participar)
  • Refuerzo verbal (diciendo & # 8220buen trabajo & # 8221)
  • Estableciendo reglas

Desafortunadamente, la instrucción del conductismo no prepara al alumno para la resolución de problemas o el pensamiento creativo. Los alumnos hacen lo que se les dice y no toman la iniciativa para cambiar o mejorar las cosas. El alumno solo está preparado para recordar hechos básicos, respuestas automáticas o realizar tareas.

Enlaces


Dónde estudiar ciencia de datos conductuales

Los cursos de ciencia de datos conductuales a nivel de maestría están disponibles actualmente en la Universidad de Warwick (un programa de maestría dedicado) y la Universidad de Ámsterdam (una rama de la maestría en psicología), aunque el programa de la Universidad de Ámsterdam parece cubrir principalmente el comportamiento analítica. Otra buena fuente de información sobre Behavioral Data Science es el grupo de interés especial del Alan Turing Institute, que organiza numerosos eventos relevantes durante todo el año y comparte podcasts y videos educativos en línea con regularidad. En 2021–2022, Cambridge University Press publicará el Cambridge Handbook of Behavioral Data Science como parte de su serie Cambridge Handbooks in Psychology, que proporcionará una visión general contemporánea completa del campo.


Perspectiva Humanista

La perspectiva humanista se inspiró principalmente en Abraham Maslow y Carl Rogers, quienes enfatizaron su punto de vista psicológico sobre el libre albedrío y la elección individual. La perspectiva humanista general también se basa en gran medida en la jerarquía de necesidades de Maslow (consejo: la jerarquía de necesidades de Maslow es una teoría muy importante en psicología, siempre espere una pregunta sobre ella para el examen de psicología AP®). Esta teoría esencialmente establece que para que una persona alcance su máximo potencial, necesita obtener cada uno de los cinco pasos o necesidades. Son (en orden) necesidades fisiológicas, necesidades de seguridad, necesidades de amor y pertenencia, necesidades de estima y necesidades de autorrealización. En general, la perspectiva humanista considera el comportamiento humano como un todo, y que tenemos el control y elegimos la mayoría de nuestros comportamientos.

Un ejemplo de cómo un psicólogo humanista abordaría algo es que puede decir que una persona introvertida puede estar optando por limitar su círculo social porque descubre que sus necesidades se satisfacen mejor con un grupo más pequeño de amigos. Una crítica de esta perspectiva es que es difícil de probar con experimentos y mediante el método científico.

Una mirada más detallada a la perspectiva humanista también está disponible en nuestra revisión del curso intensivo.


Introducción

El propósito de este documento de posición es presentar el estado actual, las oportunidades y los desafíos de los macrodatos y la inteligencia artificial en la educación. El trabajo se ha originado a partir de las opiniones y actas de un panel de discusión de una conferencia internacional sobre big data e IA en la educación (The International Learning Sciences Forum, 2019), donde destacados investigadores y expertos de diferentes disciplinas como educación, psicología, ciencia de datos, IA , neurociencia cognitiva, etc., intercambiaron sus conocimientos e ideas. Este artículo está organizado de la siguiente manera: comenzamos con una descripción general del progreso reciente del big data y la inteligencia artificial en la educación. A continuación, presentamos los principales desafíos y tendencias emergentes. Finalmente, en base a nuestras discusiones sobre big data e IA en educación, se sugieren conclusiones y alcance futuro.

Los rápidos avances en las tecnologías de big data e inteligencia artificial (IA) han tenido un impacto profundo en todas las áreas de la sociedad humana, incluida la economía, la política, la ciencia y la educación. Gracias en gran parte a estos desarrollos, podemos continuar muchas de nuestras actividades sociales bajo la pandemia de COVID-19. Las herramientas digitales, las plataformas, las aplicaciones y las comunicaciones entre las personas han generado grandes cantidades de datos (& # x2018big data & # x2019) en ubicaciones dispares. Las tecnologías de big data tienen como objetivo aprovechar el poder de una gran cantidad de datos en tiempo real o de otro modo (Daniel, 2019). Los atributos característicos de big data a menudo se denominan los cuatro V & # x2019s. Es decir, volumen (cantidad de datos), variedad (diversidad de fuentes y tipos de datos), velocidad (velocidad de transmisión y generación de datos) y veracidad (la precisión y confiabilidad de los datos) (Laney, 2001 Schroeck et al., 2012 Geczy, 2014). Recientemente, se agregó una quinta V, a saber, valor (es decir, que los datos podrían monetizarse Dijcks, 2013). Debido a las características intrínsecas de big data (las cinco V), los conjuntos de datos grandes y complejos son imposibles de procesar y utilizar mediante el uso de técnicas tradicionales de gestión de datos. Por lo tanto, se requieren tecnologías computacionales novedosas e innovadoras para la adquisición, almacenamiento, distribución, análisis y gestión de big data (Lazer et al., 2014 Geczy, 2015). El análisis de big data comúnmente abarca los procesos de recopilación, análisis y evaluación de grandes conjuntos de datos. La extracción de conocimiento procesable y patrones viables de los datos a menudo se considera como los beneficios centrales de la revolución del big data (Mayer-Sch & # x00F6nberger y Cukier, 2013 Jagadish et al., 2014). El análisis de big data emplea una variedad de tecnologías y herramientas, como análisis estadístico, minería de datos, visualización de datos, análisis de texto, análisis de redes sociales, procesamiento de señales y aprendizaje automático (Chen y Zhang, 2014).

Como subconjunto de la IA, el aprendizaje automático se centra en la creación de sistemas informáticos que puedan aprender de los datos y adaptarse a ellos automáticamente sin una programación explícita (Jordan y Mitchell, 2015). Los algoritmos de aprendizaje automático pueden proporcionar nuevos conocimientos, predicciones y soluciones para personalizar las necesidades y circunstancias de cada individuo. Con la disponibilidad de datos de entrenamiento de entrada de gran cantidad y alta calidad, los procesos de aprendizaje automático pueden lograr resultados precisos y facilitar la toma de decisiones informadas (Manyika et al., 2011 Gobert et al., 2012, 2013 Gobert y Sao Pedro, 2017). Estos métodos de aprendizaje automático intensivos en datos se colocan en la intersección de big data e IA, y son capaces de mejorar los servicios y la productividad de la educación, así como muchos otros campos, incluidos el comercio, la ciencia y el gobierno.

Con respecto a la educación, nuestra principal área de interés aquí, la aplicación de tecnologías de IA se remonta aproximadamente a hace 50 años. El primer Sistema de Tutoría Inteligente & # x201CSCHOLAR & # x201D fue diseñado para apoyar el aprendizaje de la geografía y fue capaz de generar respuestas interactivas a las declaraciones de los estudiantes (Carbonell, 1970). Si bien la cantidad de datos era relativamente pequeña en ese momento, era comparable a la cantidad de datos recopilados en otros estudios educativos y psicológicos tradicionales. La investigación sobre la IA en la educación durante las últimas décadas se ha dedicado al avance de las tecnologías de computación inteligente, como los sistemas de tutoría inteligentes (Graesser et al., 2005 Gobert et al., 2013 Nye, 2015), los sistemas robóticos (Toh et al., 2016). Anwar et al., 2019) y chatbots (Smutny y Schreiberova, 2020). Con los avances en las tecnologías de la información en la última década, los psicólogos educativos han tenido un mayor acceso a big data. Concretamente, las redes sociales (p. Ej., Facebook, Twitter), los entornos de aprendizaje en línea [p. Ej., Cursos en línea abiertos masivos (MOOC)], los sistemas de tutoría inteligentes (p. Ej., AutoTutor), los sistemas de gestión del aprendizaje (LMS), los sensores y los dispositivos móviles son generando cantidades cada vez mayores de datos dinámicos y complejos que contienen registros personales de estudiantes & # x2019, datos fisiológicos, registros de aprendizaje y actividades, así como su rendimiento y resultados de aprendizaje (Daniel, 2015). La analítica del aprendizaje, descrita como & # x201C la medición, recopilación, análisis y reporte de datos sobre los estudiantes y sus contextos, con el propósito de comprender y optimizar el aprendizaje y los entornos en los que ocurre & # x201D (Long y Siemens, 2011, p. 34 ), a menudo se implementan para analizar estas enormes cantidades de datos (Aldowah et al., 2019). Las técnicas de aprendizaje automático e inteligencia artificial amplían aún más las capacidades de análisis de aprendizaje (Zawacki-Richter et al., 2019). La información esencial extraída de big data podría utilizarse para optimizar el aprendizaje, la enseñanza y la administración (Daniel, 2015). Por lo tanto, la investigación sobre big data e IA está adquiriendo una importancia cada vez mayor en educación (Johnson et al., 2011 Becker et al., 2017 Hwang et al., 2018) y psicología (Harlow y Oswald, 2016 Yarkoni y Westfall, 2017 Adjerid y Kelley , 2018 Cheung y Jak, 2018). Recientemente, la adopción de big data e IA en la psicología del aprendizaje y la enseñanza ha sido tendencia como un método novedoso en la investigación educativa de vanguardia (Daniel, 2015 Starcic, 2019).


¿Qué es el conductismo en psicología?

El conductismo es la teoría de que la psicología humana o animal se puede estudiar objetivamente a través de acciones observables (comportamientos). Este campo de estudio surgió como una reacción a la psicología del siglo XIX, que utilizó el autoexamen de los pensamientos y sentimientos de uno para examinar humanos y animales. psicología.

Conclusiones clave: conductismo

  • El conductismo es la teoría de que la psicología humana o animal se puede estudiar objetivamente a través de acciones (comportamientos) observables, en lugar de pensamientos y sentimientos que no se pueden observar.
  • Las figuras influyentes del conductismo incluyen a los psicólogos John B. Watson y B.F. Skinner, quienes están asociados con el condicionamiento clásico y el condicionamiento operante, respectivamente.
  • En el condicionamiento clásico, un animal o un humano aprende a asociar dos estímulos entre sí. Este tipo de condicionamiento implica respuestas involuntarias, como respuestas biológicas o emocionales.
  • En el condicionamiento operante, un animal o un ser humano aprende un comportamiento asociándolo con consecuencias. Esto se puede hacer mediante un refuerzo positivo o negativo, o mediante un castigo.
  • El condicionamiento operante todavía se ve en las aulas de hoy, aunque el conductismo ya no es la forma dominante de pensar en psicología.

Behaviorismo

El conductismo surge del trabajo de B.F. Skinner y del concepto de condicionamiento operante. Los teóricos del conductismo creen que el conocimiento existe independientemente y fuera de las personas. Ven al alumno como una pizarra en blanco a quien se le debe proporcionar la experiencia. Los conductistas creen que el aprendizaje ocurre realmente cuando se adquieren nuevos comportamientos o cambios en los comportamientos a través de asociaciones entre estímulos y respuestas. Por tanto, la asociación conduce a un cambio de comportamiento.

Proceso de aprendizaje

El proceso de aprendizaje se basa en cambios de comportamiento objetivamente observables. Los teóricos del comportamiento definen el aprendizaje simplemente como la adquisición de un nuevo comportamiento o un cambio en el comportamiento. La teoría es que el aprendizaje comienza cuando se presenta una señal o estímulo del entorno y el alumno reacciona al estímulo con algún tipo de respuesta. Las consecuencias que refuerzan el comportamiento deseado se organizan para seguir el comportamiento deseado (por ejemplo, estudiar para un examen y obtener una buena calificación). El nuevo patrón de comportamiento se puede repetir para que se vuelva automático. El cambio de comportamiento del alumno significa que se ha producido el aprendizaje. Los maestros usan el conductismo cuando recompensan o castigan los comportamientos de los estudiantes.

Ejemplos y aplicaciones de la teoría del aprendizaje conductista:

  • Taladro / trabajo de memoria
  • Práctica repetitiva
  • Puntos de bonificación (que brindan un incentivo para hacer más)
  • Puntos de participación (proporcionando un incentivo para participar)
  • Refuerzo verbal (diciendo & # 8220buen trabajo & # 8221)
  • Estableciendo reglas

Desafortunadamente, la instrucción del conductismo no prepara al alumno para la resolución de problemas o el pensamiento creativo. Los alumnos hacen lo que se les dice y no toman la iniciativa para cambiar o mejorar las cosas. El alumno solo está preparado para recordar hechos básicos, respuestas automáticas o realizar tareas.

Enlaces


Perspectiva Humanista

La perspectiva humanista se inspiró principalmente en Abraham Maslow y Carl Rogers, quienes enfatizaron su punto de vista psicológico sobre el libre albedrío y la elección individual. La perspectiva humanista general también se basa en gran medida en la jerarquía de necesidades de Maslow (consejo: la jerarquía de necesidades de Maslow es una teoría muy importante en psicología, siempre espere una pregunta sobre ella para el examen de psicología AP®). Esta teoría esencialmente establece que para que una persona alcance su máximo potencial, necesita obtener cada uno de los cinco pasos o necesidades. They are (in order) physiological needs, safety needs, love and belonging needs, esteem needs, and self-actualization needs. In general, the humanistic perspective looks at human behavior as a whole, and that we are in control and chose the majority of our behaviors.

An example of how a humanistic psychologist would approach something is that they may say an introverted person may be choosing to limit their social circle because they find their needs are better met with a smaller group of friends. A critique of this perspective is that it is difficult to test with experiments and through the scientific method.

A more detailed look into the humanistic perspective is also available in our crash course review.


Aprendiendo

the acquisition of knowledge, abilities, and habits. In contrast to the pedagogical concepts of training, education, and upbringing, the term &ldquolearning&rdquo is used primarily in the psychology of behavior and embraces a broad range of the processes that make up individual experience. Among the phenomena classified as learning are habituation, imprinting, the development of the simplest conditioned reflexes and complex motor and speech skills, reactions in sensory discrimination, and intelligent learning (in humans).

Like &ldquoinstinctive behavior,&rdquo &ldquolearning&rdquo is a fundamental concept of ethology that refers to the adaptation of an animal to its environment by changes in its innate behavior. There are two basic forms of learning: obligatory learning (mainly imprinting), which is characteristic of all individuals of a given species and facultative learning (chiefly habit, and, to some degree, imitation), which is characteristic of the behavior of some individuals and depends on the specific conditions of their lives.

An enormous number of experiments, many of them conducted on animals in the USA within the framework of behaviorism, have been devoted to the processes of learning. Attention has been focused on elucidating the influence of various factors on learning, including the number and distribution of repetitions, reinforcement (the law of effect), the type of conditioning of responses, and dependency on the state of need. More complex are the problems of the transfer of the results of learning to conditions that differ from those in the original learning situation, latent learning, and the formation of sensorimotor structures and sensory syntheses that function as the internal variables of behavior, or its psychological links.

Most research on learning, which is usually defined as adaptation to the conditions created in the experiment, has concentrated on the simplest, &ldquopassive&rdquo forms of acquiring habits, including sensory and mental ones. Therefore, the results of this research cannot be extended to forms of learning that are specific to humans. The historical experience of mankind is transmitted to certain persons by means of education, one of society&rsquos most important functions, which is entrusted specifically to schools and other pedagogical institutions.


The future of academic libraries in the digital age

Artificial Intelligence and Machine Translation

Artificial Intelligence (AI) is a new science and technology which studies theories, mechanisms, developments and applications on how to simulate human intelligence via computerised robots, voice recognition, image recognition, natural language processes, expert systems and so on. With the assistance of Artificial Intelligence and related computer technologies, Machine Translation (MT) refers to the conversion of and translation from one natural language to another natural language. For academic libraries and librarians, new achievements in AI will be brought in to change information services in future academic libraries. When the author happened to watch America’s favourite quiz show ¡Peligro! in early 2011, it was astonishing to see how easily IBM Robot Watson ( IBM Watson, 2010 ) beat two human competitors and won the Jeopardy Championship. From IBM Watson’s victory, we can foresee how information services will look in future academic libraries. Since English is not the only language used for information delivery, the development of MT will speed up the exchange and sharing of information across the different countries and regions. Also, it will be helpful to promote collaborative reference, which is an innovative library information services model performed by different academic and/or public libraries in different geographical locations, among librarians speaking in different languages.


Where to Study Behavioral Data Science

Behavioral Data Science courses at the Master’s Level are currently available from the University of Warwick (a dedicated MSc program) and the University of Amsterdam (a strand in the Master’s in Psychology), although the program at the University of Amsterdam seems to primarily cover behavioral analytics. Another good source of information about Behavioral Data Science is the special interest group at the Alan Turing Institute, which holds numerous relevant events throughout the year as well as shares regular educational podcasts and videos online. In 2021–2022, the Cambridge University Press will be publishing the Cambridge Handbook of Behavioral Data Science as a part of its Cambridge Handbooks in Psychology series, which will provide the complete contemporary overview of the field.


Our expertise

At GBKSOFT, we worked on a unique IoT project, where the IoB concept is also implemented. The project’s essence was to help golfers improve their playing skills with the help of a mobile app and tracking wearable device, namely, correcting the existing ball hitting technique and learning new techniques. The process is structured this way. Before starting the training, the player puts on a wearable device connected to his mobile device and begins training. Each hit on the golf ball is recorded in the application, analyzed (measured by the force of the blow, trajectory, angle, etc.). As a result, the player can see his mistakes and get visual recommendations on how to improve his swing and hit.

The uniqueness of this solution lies in the fact that:

  • the market has never seen anything like it
  • most of the solutions that were on the market focused on honing existing skills. This solution focuses on teaching the golf player according to body parameters, pre-existing skills, etc.
  • individual approach to each user
  • there is no need to involve a coach to work on the quality of the game.

Before starting the development of a project, we always recommend conducting a discovery phase, which helps to study in more detail potential customers, the needs of your business and customers, and analyze existing solutions to make the future digital solution unique and valuable.

We recommend starting a complex solution development with MVP, which allows you to release the project quickly. Based on the feedback received from real users, expand the solution functions to the required number. This approach helps you get started with a small budget and create a solution in demand in the market. Below we have provided an estimate of the MVP of the project we talked about earlier.

Trabajos USD Horas
Especificaciones 2856 119
Diseño 1394 82
Android Development 9303 443
Manual Testing 2010 134
Scrum Master 3186 177
Total $ 18749 955

Please note that the estimate is made for a specific project and cannot serve as a basis for your project’s calculations. Since each such software is an individual solution with a particular set of functions created for the company’s specific needs, you can request a free consultation with our Business Analyst to get a more accurate estimate.


A Look at Appreciative Inquiry in Education

Appreciative Inquiry can also be very beneficial to education. In one study done at California State University, San Bernardino, scholars looked at the AI process as a path to change in terms of education. (Buchanan, 2014)

Most state and federal initiatives for educational change stem from a deficit model that examines what is wrong and how to fix that.

Appreciative Inquiry focuses on what is right and what is already working. The study done explored the various relationships and leadership as well as organizational learning qualities that existed within five unified school districts in the High Desert.

The study used AI as a process to implement the Common Core State Standards (CCSS) to embrace a distributed leadership structure and to create the conditions for a more impactful implementation of the next reform.

The research question involved examining the relationship between the educators’ appreciative capacity, distributed leadership, organizational learning, and preparedness in order to implement a state-mandated curricular reform, the CCSS.

The study had the potential to transform educational practice providing a valuable template for ongoing educational reform.

The study used the 5-D Model of AI, which focuses on taking a strength-based approach to improve school culture.

This 5-D approach prepares organizations for continuous growth in terms of strengths in the system.

The study examined AI in terms of distributed leadership and organizational learning. The context for the study was the educators’ preparedness to implement the CCSS reform.

Study participants were drawn from school districts in the High Desert of San Bernardino County, the largest geographical county in the U.S. and home to 33 school districts.

The district employs approximately 2,212 teachers and 177 administrators.

The hypothesis and proposed analysis were as follows:

  1. AI capacities inventory will be moderately correlated with the 8 principles of AI.
  2. Participative decision-making will be moderately correlated with the functions of Leadership.
  3. Dialogue will be moderately correlated with the idea of taking risks.
  4. Taking risks will be moderately correlated with experimentation.
  5. Experimentation will be moderately correlated with dialogue.

The study concluded that Appreciative Inquiry alone is not enough. Distributed leadership and organizational learning are also necessary components to implement successful change.

Many efforts to change will fail even when people have a voice because leaders may fail to sustain input from those voices.

Distributed leadership and organizational learning each partially mediated the Appreciative Inquiry to Common Core State Standards preparedness relationship.

However, the study revealed that meaningful change takes time. Participating educators did report that the constructs of the study were related.

Furthermore, it was determined that real change cannot often be accomplished in a static one day workshop. Growth needs to be nurtured with continual input and feedback in order to monitor the change to adjust for new information which is continually being gathered.

The study did demonstrate that Appreciative Inquiry is a good fit for implementing educational reform.

According to Cooperrider and Whitney, leaders embracing appreciative inquiry “send a clear and consistent message: positive change is the pathway to success around here.” (Cooperrider and Whitney. 2005. p. 46)


Ver el vídeo: Classic and Operative Conditioning. Differences and examples. Easy to Learn (Agosto 2022).