La frustración y la confusión son elementos importantes para el aprendizaje

Por Genaro Rebolledo Méndez

“La inteligencia artificial ha hecho posible el desarrollo de tutores inteligentes o sistemas educativos inteligentes capaces de adaptarse a cada estudiante en un esfuerzo por personalizar la educación”.

Lejos de lo que podríamos pensar, las emociones negativas como el aburrimiento, la frustración y la confusión, son elementos importantes para el aprendizaje efectivo. La evidencia así lo confirma, la clave está en saber manejar estas emociones. En este sentido, los avances tecnológicos en Inteligencia Artificial (IA) como los tutores inteligentes y el aprendizaje de máquina o machine learning, nos ayudan a comprender el rol de las emociones negativas en el aprendizaje.

La relevancia de las emociones en aspectos importantes de la vida ha sido reconsiderada desde la publicación del libro “El error de Descartes” del neurocientífico Antonio Damasio (1994). Sin embargo, en el ámbito educativo la falta de evidencia empírica que resalta la trascendencia de las emociones abre un campo fascinante, debido a la posibilidad de modelar computacionalmente no solo el estado cognitivo, sino también el estado afectivo de los estudiantes. Modelar estos estados se podría entender como representar matemáticamente el grado de aprendizaje o afectividad en un momento o durante el aprendizaje. Estos modelos hacen uso de la IA para actualizarse en tiempo real dependiendo de las actividades que el propio estudiante realiza con la herramienta de aprendizaje. En este video de ejemplo, a partir del minuto 5, se ilustra un método para modelar el estado afectivo en tiempo real.

Foto: Prostock-Studio descargado de https://www.istockphoto.com/

Foto: Prostock-Studio descargado de https://www.istockphoto.com/

“La meta-afectividad describe la capacidad de 1) ser consciente de los estados emocionales que se experimentan durante el aprendizaje y 2) utilizar estrategias de regulación emocional para cambiar los estados negativos por positivos en un esfuerzo para aprender mejor”.

El uso de Inteligencia Artificial también ha hecho posible el desarrollo de tutores inteligentes o sistemas educativos inteligentes capaces de adaptarse a cada estudiante en un esfuerzo por personalizar la educación. Aunque el éxito de los tutores inteligentes como mecanismos para asistir el aprendizaje ha sido demostrado a través de los años, existen preguntas en relación al papel de las emociones, por ejemplo: ¿Cómo modelar los estados afectivos que influyen en el aprendizaje? ¿Cómo utilizar los puntos faciales que se describen en el video en relación con el aprendizaje? ¿Cómo se relacionan las emociones con el aprendizaje? En este escenario, investigadores como Ryan Baker de la Universidad de Pensilvania y Sidney D’Mello de la Universidad de Colorado en Boulder, entre otros, han realizado estudios científicos para determinar el rol de las emociones, pero enfocándose en las emociones negativas como la frustración o la confusión (Sutter-Brandenberger et al. 2018). Los resultados de estos estudios demuestran los efectos negativos del aburrimiento, pero permiten conocer que algunas emociones como la frustración no son tan negativas como se podría asumir (Baker et al. 2010; D’Mello and Graesser 2012; Andres et al. 2019).

Gracias a estos avances, se ha podido establecer que lejos de ser innecesarias o negativas, la frustración y la confusión son estados afectivos importantes y determinantes para el aprendizaje. En uno de los más recientes estudios (Spann et al. 2019) se presentan resultados que demuestran que un aprendizaje se puede predecir a partir de las emociones de los estudiantes. De manera puntual, cuando los estudiantes se encuentran frustrados o aburridos tienden a usar el ensayo cognitivo (cognitive reappraisal) como técnica de regulación emocional, durante la resolución de problemas de física. En su estudio, los autores experimentaron con estudiantes en un ambiente de juego serio para el aprendizaje de física, Figura 1.

Figura 1. Un problema en el juego serio “Physics Playground”.

Figura 1. Un problema en el juego serio “Physics Playground”.

En su forma más sencilla, el ensayo cognitivo es la capacidad del estudiante de reconsiderar una situación desde otros puntos de vista, esto con el objetivo de minimizar emociones negativas. En el juego “Physics Playground”, los estudiantes que obtuvieron un aprendizaje significativo y que reportaron estados emocionales negativos como frustración y aburrimiento utilizaron el ensayo cognitivo para regular estas emociones. Estos estudiantes simplemente imaginaron que estaban jugando un video juego más sencillo para sentirse de manera diferente y así aprender.

Un concepto menos estudiado pero relacionado con las emociones durante el aprendizaje es la meta-afectividad (Debellis y Goldin 2006). El término se acuñó haciendo analogía con el concepto de metacognición la cual se define como el nivel de conciencia que el estudiante tiene acerca de su propio conocimiento y de las técnicas que le permiten aprender mejor. La meta-afectividad, por tanto, describe la capacidad de 1) ser consciente de los estados emocionales que se experimentan durante el aprendizaje y 2) utilizar estrategias de regulación emocional para cambiar los estados negativos por positivos en un esfuerzo para aprender mejor. Esta hipótesis se ha propuesto, pero ha sido poco o muy poco lo que se ha estudiado para obtener evidencia empírica que nos permita validar la teoría. Sin embargo, la meta-afectividad podría describir la disposición del propio estudiante para regular sus emociones y así aprender. Podría también explicar por qué sólo algunos estudiantes del estudio con “Physics Playgrond” usaron ensayo cognitivo con éxito.

“Se encontró que los estudiantes meta-afectivos (18.54 % de la muestra) tienen un aprendizaje significativamente mayor que los estudiantes que no lo son (81.46% en nuestro estudio)”.

En un estudio realizado en México para entender el rol de la meta-afectividad en el aprendizaje de las matemáticas, se encontró que es posible caracterizar la meta-afectividad y que, además, los estudiantes que poseen esta característica tienen mejores aprendizajes, aunque no son los que tienen emociones más positivas.

Durante el estudio, se les pidió a los estudiantes que interactuaran con el tutor inteligente Scooter (Walker et al. 2011). Durante 80 minutos, los estudiantes resolvieron los problemas planteados por el tutor inteligente y se les interrumpió cada 10 minutos para que reportaran cómo se sentían. Actualmente en el Tec de Monterrey se está implementando una manera más eficiente de reconocer las emociones, la cual consiste en utilizar machine learning para reconocerlas automáticamente (similar al video) en el contexto de educación mediada por tecnología. En este escenario no es necesario interrumpir a los estudiantes y se puede obtener un reconocimiento más efectivo que cuando se autoevalúan las emociones. En el estudio, las opciones proporcionadas a los estudiantes incluían cuatro emociones: aburrimiento, frustración, confusión y concentración, además del estado neutral. Los datos relacionados con el aprendizaje, la afectividad y la meta-afectividad se analizaron con un conjunto de técnicas estadísticas y de aprendizaje de computadora con dos objetivos: 1) entender si la meta-afectividad se observa en los datos recopilados durante el estudio y 2) describir las dinámicas afectivas observadas y asociarlas con el logro en el aprendizaje.

Los resultados son muy interesantes. Se encontró que los estudiantes meta-afectivos (18.54 % de la muestra) tienen un aprendizaje significativamente mayor que los estudiantes que no lo son (81.46% en nuestro estudio). También se encontró que estos estudiantes tuvieron mejores calificaciones en el examen nacional estandarizado, conocido en México como prueba ENLACE. Llama la atención que menos de una quinta parte de los estudiantes de la muestra son meta-afectivos, lo cual sugiere que ésta es una habilidad que debe enseñarse.

El segundo objetivo fue analizar las dinámicas afectivas de los estudiantes. En este sentido se encontró que los estudiantes meta-afectivos reportaron significativamente más instancias de frustración que los estudiantes no meta-afectivos. Por otro lado, los estudiantes que no son meta-afectivos reportaron principalmente y en mayor proporción, estados de concentración. Este resultado llama la atención debido a que se puede pensar que los estudiantes que no tienen meta-afectividad al aprender matemáticas, reportan que están concentrados, aunque en realidad no aprendan tan bien como los estudiantes que si son meta-afectivos.

Finalmente, se encontró que casi una cuarta parte de los estudiantes (23.43 %) tuvieron un comportamiento afectivo consistente en secuencias de aburrimiento seguida de frustración. Este comportamiento se asoció con un mal aprendizaje y puede deberse a que los estudiantes conscientes de su aburrimiento deciden no hacer nada acerca de este estado lo cual lo lleva a sentirse frustrados. Debido a que estos estudiantes no saben cómo regular el aburrimiento o la frustración, se ven atrapados en un ciclo negativo que los conduce a no aprender. Una pregunta abierta es si estos estudiantes podrían beneficiarse con el uso del ensayo cognitivo.

Estos resultados son importantes ya que demuestran que la autorregulación del aburrimiento y la frustración determina un mejor aprendizaje siempre y cuando los estudiantes sean conscientes de esto. También proveen evidencia empírica de que la carencia de meta-afectividad provoca comportamientos negativos entre los estudiantes y apuntan a que el uso de estrategias como el ensayo cognitivo podría ser benéfico para este grupo. Finalmente, estos resultados sugieren que el aburrimiento y la frustración son parte importante del aprendizaje incluso para los estudiantes más exitosos.

Los resultados del estudio de meta-afectividad aparecerán en un artículo en la revista International Journal of Artificial Intelligence in Education. Hago una invitación a los lectores a leer el artículo en extenso. Este campo de investigación es fascinante y queda mucho por investigar. En la época actual, y debido al COVID-19, la mayoría de nuestros estudiantes aprenden en línea por lo que se pueden implementar estrategias para el reconocimiento automático de emociones tendientes a identificar estudiantes que carezcan de meta-afectividad a los que se les podrían ofrecer un conjunto de estrategias que les permitan regular emociones negativas.

Acerca del autor

Genaro Rebolledo es profesor investigador del campus Monterrey. Obtuvo su doctorado en la Universidad de Sussex y realizó una estancia postdoctoral en la University College de Londres (UCL) del Reino Unido. Ha realizado trabajos de investigación conjunta con Ryan Baker con un enfoque en la aplicación de la Inteligencia Artificial en la Educación. Una versión más amplia se publicará en el International Journal of Artificial Intelligence in Education (Rebolledo-Mendez et al. 2021).

Referencias

Andres, J. M. A. L., Paquette, L., Ocumpaugh, J., Jiang, Y., Baker, R. S., Karumbaiah, S., et al. (2019). Affect sequences and learning in Betty’s brain. In ACM International Conference Proceeding Series (pp. 383–390). New York, NY, USA: Association for Computing Machinery. https://doi.org/10.1145/3303772.3303807

Baker, R.S., Corbett, A.T., Koedinger, K.R. (2006) Responding to Problem Behaviors in Cognitive Tutors: Towards Educational Systems Which Support All Students. National Association for the Dually Diagnosed (NADD) Bulletin, 9 (4), 70-75.

Baker, R. S., D’Mello, S. K., Rodrigo, M. M. T., & Graesser, A. C. (2010). Better to be frustrated than bored: The incidence, persistence, and impact of learners’ cognitive-affective states during interactions with three different computer-based learning environments. International Journal of Human Computer Studies, 68(4), 223–241. https://doi.org/10.1016/j.ijhcs.2009.12.003

Damasio, Antonio R. (1994). Descartes’ error: emotion, reason, and the human brain. New York: G.P. Putnam.

D’Mello, S., & Graesser, A. (2012). Dynamics of affective states during complex learning. Learning and Instruction, 22(2), 145–157.

Debellis, V. A., & Goldin, G. A. (2006). Affect and meta-affect in mathematical problem solving: A representational perspective. Educational Studies in Mathematics, 63(2), 131–147. https://doi.org/10.1007/s10649-006-9026-4

Rebolledo-Mendez, G., Huerta-Pacheco, N. S., Baker, R. S., & Boulay, B. du. (2021). Meta-affective behavior within an intelligent tutoring system for mathematics.

International Journal of Artificial Intelligence in Education, To appear Spann, C. A., Shute, V. J., Rahimi, S., & D’Mello, S. K. (2019). The productive role of cognitive reappraisal in regulating affect during game-based learning. Computers in Human Behavior, 100, 358–369. https://doi.org/https://doi.org/10.1016/j.chb.2019.03.002

Sutter-Brandenberger, C. C., Hagenauer, G., & Hascher, T. (2018). Students’ self-determined motivation and negative emotions in mathematics in lower secondary education—Investigating reciprocal relations. Contemporary Educational Psychology, 55, 166–175. https://doi.org/https://doi.org/10.1016/j.cedpsych.2018.10.002

Walker, E., Ogan, A., Baker, R. S. J. D., De Carvalho, A., Laurentino, T., Rebolledo-Mendez, G., & Castro, M. J. (2011). Observations of collaboration in cognitive tutor use in Latin America. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) (Vol. 6738 LNAI, pp. 575–577).

Edición por Rubí Román (rubi.roman@tec.mx) – Observatorio de Innovación Educativa

Fuente:

Deja un comentario

La frustración y la confusión son elementos importantes para el aprendizaje – Sarraute Educación María Magdalena

A %d blogueros les gusta esto: