Entornos inteligentes centrados en el estudiante: concepto, marco y vías de implementación

Artículo académico histórico publicado en este sitio el 15 de octubre de 2024. Estadísticas, cargos y sistemas propuestos se presentan en el contexto de entonces.

QI Binbin (1), BAO Haogang (2), ZHENG Yafeng (3), LI Yanyan (1)

1. Centro Nacional de Investigación en Ingeniería para el Aprendizaje en Red y las Tecnologías Inteligentes, Universidad Normal de Pekín, Pekín 100875, China.

2. Instituto de Investigación en Educación Básica, Academia Nacional de Ciencias de la Educación de China, Pekín 100088, China.

3. Centro de Ciencia y Tecnología Educativas, Universidad Normal de Pekín, Zhuhai, Guangdong 519087, China.

Resumen: Los entornos de aprendizaje sustentan la transformación digital de la educación y los cambios en aprender y enseñar. Renovarlos y mejorarlos inteligentemente, situar al estudiante en su centro y ofrecer servicios precisos son necesidades reales de la educación digital y de un sistema de calidad. Ante los retos de la computación inteligente educativa, se definen cuatro dimensiones: percepción y seguimiento multimodales; registro y análisis de procesos en múltiples situaciones; modelado y recomendación de escenarios entre distintos ámbitos; y construcción y apoyo de comunidades colaborativas entre personas e IA. Siguiendo la lógica de procesamiento de datos, entrenamiento de modelos y servicios inteligentes, se propone un marco de renovación física y agregación de datos, indicadores y modelos algorítmicos y apoyo adaptativo preciso. Las aplicaciones educativas contextualizadas orientan su implementación mediante estándares de diseño y evaluación entre ámbitos, motores de computación, plataformas de seguimiento de aulas a gran escala y demostraciones basadas en evidencias. Se examinan además la infraestructura nube–borde–dispositivo, la interpretabilidad educativa, la colaboración y el diseño de interacciones y la seguridad y privacidad de los datos.

Palabras clave: entorno inteligente de aprendizaje; centrado en el estudiante; colaboración nube–borde–dispositivo; educación inteligente; transformación digital educativa.

El informe del XX Congreso Nacional del Partido Comunista de China propuso impulsar la digitalización educativa y construir una sociedad y un país de aprendizaje permanente para toda la población ^[1]. La digitalización constituye una vía importante para abrir nuevos caminos y ventajas en el desarrollo educativo chino. Los entornos de aprendizaje son fundamentales para transformar cómo se aprende y se enseña ^[2]. Están pasando de campus tradicionalmente cerrados a entornos basados en internet que se extienden a hogares y espacios sociales ^[3]. Durante casi dos décadas, las políticas nacionales han impulsado sucesivamente la iniciativa Tres Conexiones y Dos Plataformas, las grandes plataformas Internet Plus Educación y la nueva infraestructura educativa, mejorando sustancialmente las instalaciones digitales. Las cifras citadas indican más de 498.300 instituciones educativas de todos los niveles y tipos ^[4], conexión a internet en el 100% de las escuelas primarias y secundarias, incluidos los puntos docentes, y más de 5,8 millones de aulas multimedia conectadas, aproximadamente el 68% de todas las aulas. Sin embargo, esta ventaja no se ha convertido suficientemente en impulso reformador. Persisten dificultades para coordinar escuelas, espacios culturales y científicos y hogares, integrar aprendizaje local y remoto y presencial y en línea, y ofrecer apoyo personalizado.

Renovar y mejorar inteligentemente estos entornos en su conjunto, centrándolos en el estudiante y proporcionando servicios precisos, es una necesidad de la educación digital y de un sistema de calidad. El Plan de Desarrollo de la Nueva Generación de Inteligencia Artificial propone entornos integrales multidimensionales de enseñanza y entornos centrados en el estudiante que ofrezcan servicios específicos y personalicen la educación cotidiana y permanente ^[5]. Se requieren avances en percepción y seguimiento físico, registro y análisis de procesos, modelado de situaciones y servicios y conexión y apoyo de comunidades entre ámbitos y escenarios. Las plataformas de seguimiento de educación inteligente a gran escala pueden crear entornos ubicuos, conectados entre ámbitos, centrados en el aula, con integración presencial y en línea y percepción inteligente del espacio. Ello puede mejorar la experiencia y el rendimiento, acelerar la transformación digital y la actualización inteligente y aportar una base técnica a la educación de calidad, la estrategia China Digital y el fortalecimiento educativo nacional.

El entorno inteligente mejora los entornos digitalizados situando al estudiante y sus actividades en el centro de la renovación. Pretende construir un entorno centrado en las personas con tres características.

(1) Un entorno humanista orientado a los cambios del aprendizaje en la era inteligente. Aprender consiste en adquirir conocimientos, habilidades y actitudes mediante construcción colaborativa con compañeros, docentes y agentes interconectados, en entornos de internet de las cosas y herramientas inteligentes ^[6]. Desde la digitalización y el desarrollo bajo en carbono, debe ser confiable, conectado e integrado. La mejora continua ha de enriquecer las experiencias y apoyar el aprendizaje entre ámbitos y situaciones.

(2) Un entorno inteligente que integra tres espacios. Como aplicación educativa innovadora de la nueva IA, contribuye a una educación digital que combina sociedad humana, mundo físico y espacio informacional. Los rasgos espaciotemporales permiten percepción y modelado de escenarios para analizar conductas entre ámbitos y ofrecer servicios adaptativos.

(3) Un entorno integrado que mejora la experiencia y el rendimiento entre ámbitos. Las tecnologías apoyan las actividades para que se produzca aprendizaje eficaz, se haga realidad el aprendizaje digital y crezca el alumnado. Asociaciones entre escuela, espacios o bases educativas y hogar pueden favorecer una educación coordinada entre familias, centros y sociedad.

El entorno inteligente se centra en las actividades del estudiante. La figura 1 presenta cuatro elementos esenciales.

(1) Percepción y seguimiento multimodales. El internet de las cosas permite percibir y controlar el entorno, mejorar su comodidad y reducir el consumo energético, con efectos sobre la salud física y mental y el desarrollo de la docencia. Los sensores y nodos de borde recogen dinámicamente datos acústicos, lumínicos, eléctricos, de temperatura, humedad y red en aulas, laboratorios, bibliotecas y museos de ciencia. Forman bases multimodales de estados ambientales. Los flujos originales permiten representaciones dinámicas y gemelos digitales para analizar condiciones espaciales, calidad de red y funcionamiento del equipamiento.

(2) Registro y análisis de procesos en múltiples escenarios. Frente a estudios basados en observación y experiencia, los datos del proceso ofrecen una base más objetiva y detallada para evaluar la enseñanza y analizar conductas. Se requieren normas y herramientas de recogida multidimensional en aulas multimedia, entornos virtuales y espacios híbridos. La recogida y agregación no invasivas deben registrar actividades completas y multidimensionales. La anotación de múltiples participantes permite bibliotecas de codificación para lectura, discusión, práctica y experimentación. La computación entre medios puede reconocer conductas, seguir activación de conocimientos, implicación e interacción entre compañeros y generar registros interpretables de observación de clases.

(3) Modelado y recomendación de situaciones entre ámbitos. Los modelos combinan características del entorno y los participantes en hogares, escuelas y otros espacios, reconocen actividades complejas y generan perfiles contextuales individuales y grupales a distintas escalas. En secuencias temporales entre ámbitos identifican intereses e intenciones potenciales para recomendar contenidos adaptativos y recorridos personalizados.

(4) Construcción y apoyo de comunidades humano-máquina. Las especificaciones de recogida y medida de perfiles cognitivos incluyen etapa educativa, conocimientos previos, implicación, estilo de aprendizaje y carga cognitiva, formando una biblioteca multidimensional. Se identifican interacciones entre estudiantes, participantes y entorno y se dibujan topologías comunitarias que integran espacio y tiempo, recursos y conducta cognitiva. El conocimiento experto y las redes de interacción docente permiten una biblioteca de recomendaciones e intervenciones precisas con personas en el circuito, human-in-the-loop ^[7], para apoyar servicios adaptativos. Integrar estos elementos y tecnologías permite entornos conectados que apoyan y optimizan actividades auténticas centradas en el estudiante.

Datos, algoritmos y capacidad de cálculo son los tres componentes principales de la IA y de unos servicios educativos inteligentes, personalizados y de calidad. El marco propuesto incluye capas de dispositivos, datos, modelos y servicios. Los dispositivos recogen datos, su procesamiento y análisis construyen indicadores y el entrenamiento de modelos permite ofrecer recursos y apoyos personales. Siguiendo procesamiento, entrenamiento y servicios, se explican la renovación física y agregación, los indicadores y modelos y el apoyo adaptativo preciso, como muestra la figura 2.

Recoger y registrar datos del estudiante y del entorno es un requisito previo. Aulas multimedia, laboratorios y espacios de prácticas deben mejorarse con sensores IoT, cámaras y dispositivos inteligentes que capten parámetros ambientales y material audiovisual en tiempo real. Los nodos de borde agregan indicadores acústicos, lumínicos, eléctricos, de temperatura, humedad y estado de red, junto con dimensiones, materiales y disposición de las instalaciones. La percepción de actividades presenciales utiliza texto, voz, imágenes y vídeo para anotar y extraer mirada, movimiento, postura, expresión facial, contenido y tono de voz, fusionándolos en conjuntos de conductas. Las plataformas aportan clics, navegación por conocimientos e interacciones como debates, comentarios y contenidos compartidos. Escalas y cuestionarios pueden medir conocimientos previos, estilos, estados psicológicos y niveles cognitivos. Se limpian y agregan datos heterogéneos procedentes de aulas y plataformas y de modalidades audiovisuales, textuales y de localización. Las marcas temporales organizan un repositorio con entornos, estudiantes, recursos, actividades y redes sociales.

Detección de objetos, seguimiento múltiple y reconocimiento de atributos permiten identificar docentes, estudiantes y objetos en imágenes y vídeos. Ante las necesidades de privacidad, el artículo propone reidentificación de personas, ReID ^[8], para localizar al mismo individuo entre cámaras o secuencias sin exponer sus rasgos faciales en el análisis espaciotemporal. Los modelos de reconocimiento de actividades en múltiples escenarios traducen los datos multimodales individuales en secuencias de aprender y enseñar. Combinadas con apuntes, preguntas y respuestas y expresiones faciales, permiten calcular activación de conocimientos y cambios en implicación e interacción docente-alumnado y entre compañeros.

Además de las actividades presenciales, los registros de plataformas contienen clics, mensajes y tareas que describen aprendizaje individual y comunicación comunitaria. Incluyen texto, material audiovisual, relaciones de red y datos espaciotemporales. Las IP de acceso y las ubicaciones de registro pueden indicar ciudades o campus; las marcas temporales corresponden a visionados y debates. Programas, apuntes y vídeos MOOC contienen entidades y relaciones para grafos de conocimiento en material no estructurado. Las distintas modalidades también permiten analizar capacidades cognitivas, recorridos e interacciones. La extracción de entidades y relaciones, por ejemplo, revela topologías implícitas en las interacciones entre docentes y estudiantes o entre estudiantes. Un grafo puede integrar entorno espaciotemporal, recursos y conducta cognitiva, con nodos de lugares, conceptos y conductas y aristas espaciales, conceptuales o conductuales. Codificadores y decodificadores específicos permiten aprender e inferir entre escenarios. Las redes neuronales de grafos, GNN, captan relaciones y rasgos locales y analizan nodos clave, comunidades y rutas de propagación. Visualizar redes dinámicas acopladas en varias capas ayuda a comprender relaciones y descubrir patrones complejos ocultos.

Los indicadores de escenario, entorno y conducta permiten conjuntos multimodales para escuelas, hogares y espacios sociales. La detección de objetos mediante aprendizaje profundo identifica participantes. Las series temporales de actividades sustentan modelos de memoria a corto y largo plazo, LSTM, para reconocer situaciones entre ámbitos y analizar etapas y procesos completos. Conductas, perfiles cognitivos, interacción y activación de conocimientos permiten perfiles individuales y grupales a varias escalas, con comportamientos, cambios de rendimiento, preferencias metodológicas y hábitos. Nuevos datos pueden actualizarlos periódicamente para que reflejen el contexto.

La computación sobre entornos físicos, procesos, perfiles y comunidades puede ofrecer seguimiento y regulación ambiental, comprensión interpretable de conductas, recomendaciones adaptativas, apoyo comunitario e intervención docente.

(1) Los modelos ambientales regulan dinámicamente la comodidad. Los indicadores deben considerar la iluminación y la salud visual y el ruido y la inmersión. Los nodos de borde suministran flujos acústicos, lumínicos, eléctricos, térmicos, de humedad y red a modelos neuronales profundos. Estos pueden adaptar la codificación audiovisual a la red y predecir y regular la comodidad interior en tiempo real.

(2) Las reglas e indicadores de observación generan información interpretable. Las secuencias individuales y de estados, junto con experiencia docente y conocimiento experto disciplinar, sustentan criterios por escenario. Métodos como el proceso analítico jerárquico evalúan implicación, interacción, docencia y organización, produciendo informes interactivos e interpretables que ayudan a mejorar estrategias y resultados.

(3) Los perfiles sensibles a las actividades personalizan recursos. Las actividades complejas entre ámbitos, los perfiles individuales y grupales y la situación actual generan instrucciones o prompts adecuados a características y preferencias. En prácticas de laboratorio, las recomendaciones apoyan la preparación y la enseñanza precisa. Las indicaciones de pasos y errores ofrecen ayuda interactiva para reflexionar y profundizar. Similitudes y diferencias entre estudiantes también orientan recursos grupales para aprender y debatir juntos, estimulando interacción y cooperación.

(4) Las estructuras comunitarias permiten apoyo e intervención precisos. Un prototipo de red multicapa permite agrupar y explorar datos para comprender estructuras y funcionamiento. Las redes y una biblioteca experta de intervenciones, incluidas orientación psicológica del aprendizaje, ayuda entre compañeros y acciones conjuntas de familia, escuela y comunidad ^[9], forman un circuito confiable humano-máquina que ofrece servicios adecuados a cada situación.

El marco, los algoritmos y los servicios deben aplicarse a situaciones educativas reales para apoyar demostraciones a gran escala. Se plantean cuatro vías: diseño y evaluación entre ámbitos; motores de computación dirigidos por eventos; seguimiento de aulas mediante colaboración nube–borde–dispositivo; y demostraciones a escala orientadas por evidencias.

Las aplicaciones educativas contextualizadas de IA son fundamentales para renovar entornos entre ámbitos ^[10]. La innovación impulsada por escenarios utiliza situaciones para orientar avances técnicos y hacer evolucionar conjuntamente oferta tecnológica y demanda educativa ^[11]. Primero se investigan casos de clases, aprendizaje colaborativo y desarrollo docente, prácticas y autoaprendizaje en línea, se analiza la infraestructura y se elaboran estándares y guías técnicas de actualización. Eventos, actividades, participantes, dispositivos y espacios se modelan como datos estructurados. Después se identifican conductas, emociones, dificultades y necesidades en cada etapa para construir mapas de experiencia centrados en el estudiante ^[12]. La teoría educativa orienta servicios adaptativos y la lógica de apoyo tecnológico. Finalmente docentes, estudiantes y expertos evalúan y aportan comentarios para mejorar el diseño en sucesivas iteraciones.

Dispositivos IoT, sensores audiovisuales y plataformas son fuentes de datos importantes. Sus acciones se definen como eventos: estados de sensores, operaciones de usuarios y respuestas externas. Una biblioteca central de modelos debe integrar percepción ambiental, registro de procesos, reconocimiento de situaciones y conexiones comunitarias en un motor dirigido por eventos que detecte cambios conductuales y de estado entre ámbitos complejos. La arquitectura dirigida por eventos, EDA ^[13], utiliza publicación y suscripción para activarlos y procesarlos con acoplamiento débil, escalabilidad y flexibilidad. Colas, planificadores, canales y procesadores responden a tipos y atributos y ofrecen servicios proactivos según los flujos. Una base de conocimiento debe recoger relaciones y causalidad entre estados ambientales, códigos conductuales, perfiles cognitivos y de aprendizaje e intervenciones. Descripciones de entidades y reglas de inferencia sirven de referencia para servicios precisos entre ámbitos y escenarios.

La plataforma de aulas inteligentes se centra en cálculo y procesamiento de datos. La colaboración por capas nube–borde–dispositivo ^[14] permite que clústeres de nube, nodos de borde y terminales IoT participen en percepción, aprendizaje y decisiones. Zigbee, LoRa y Wi-Fi conectan fabricantes, dispositivos y servicios distintos. Las pasarelas de borde unen dispositivos IoT, terminales educativos y nube y realizan recogida y preprocesamiento, conversión de protocolos, análisis y decisiones en tiempo real y seguimiento y control remotos. Coordinan la percepción entre borde y terminales. Para fotogramas clave, los nodos pueden ejecutar modelos en entornos locales de ejecución confiable o invocar modelos de nube y subir resultados a bases temporales. La nube gestiona nodos y entrenamiento. Los modelos de objetos educativos definen propiedades, funciones y eventos y registran nodos y dispositivos subordinados. Los datos de escenarios y recursos digitales permiten entrenar modelos y ajustar grandes modelos; las especificaciones de mensajería y distribución permiten entrenamiento en nube y despliegue en borde. Las plataformas integran simulación, seguimiento y evaluación de eficiencia, registrando y analizando estudiantes y entornos durante todo el proceso para ofrecer apoyo adaptativo.

Un ciclo de diseño y desarrollo, implementación y validación, análisis y evaluación y mejora debe orientar experimentos o cuasiexperimentos. Comparar grupos con distinta retroalimentación permite estudiar procesos y resultados y efectos de registros de clases, recomendaciones y apoyo adaptativo sobre conocimientos, destrezas experimentales y motivación emocional de estudiantes y docentes. Así se investigan mecanismos del aprendizaje apoyado por tecnologías, principios y estrategias eficaces y evidencias interpretables de la centralidad del estudiante. Los entornos integrales multidimensionales optimizados se aplican a la docencia real. La trazabilidad aclara el papel clave y la ayuda efectiva de la tecnología. La teoría de la actividad y el diseño instruccional sistemático identifican eventos y factores que influyen en los resultados. Las teorías educativas ayudan a explicar la integración y obtener principios para diferentes situaciones. Finalmente, demostraciones regionales a gran escala validan la solución y sus efectos y apoyan servicios docentes entre ámbitos en amplios entornos inteligentes.

La madurez tecnológica, los riesgos éticos y la infraestructura limitan la construcción de entornos centrados en las personas. Se analizan cuatro retos: infraestructura nube–borde–dispositivo, interpretabilidad educativa, colaboración humano-máquina y experiencia de interacción y seguridad y privacidad de los datos.

La colaboración distribuida exige renovar las redes educativas. Las aplicaciones entre ámbitos dependen de datos, algoritmos y cálculo y necesitan apoyo de capacidad pública. La validación a escala puede utilizar el sistema nacional integrado de servicios de computación para suministrar dinámicamente recursos mixtos y heterogéneos a instituciones, destinados a construir, entrenar y ejecutar modelos. Cada escenario requiere asociar inteligentemente cálculo, almacenamiento y transporte de datos y coordinar redes y computación con estrategias de planificación diversas. Los nodos de borde suelen aportar CPU, GPU y NPU para inferencia, gráficos 3D y decodificación de vídeo. Si no bastan, centros regionales pueden suministrar capacidad entre ámbitos para responder a alta demanda y baja latencia.

Los modelos generales no se trasladan directamente a las conductas educativas. Un solo algoritmo no resuelve situaciones complejas y puede generalizar indebidamente. La interpretabilidad es importante: las decisiones humanas dependen de conocimientos previos y es esencial conectar el espacio semántico comprensible con el de características de datos ^[15]. La experiencia educativa debe orientar códigos de actividades, situaciones y estados para aportar conocimiento previo. Las actividades docentes sirven de puente entre rasgos informáticos básicos y significados pedagógicos superiores al desarrollar algoritmos. Visualización e interacción también pueden explicar lógica y mecanismos de las cajas negras del aprendizaje profundo ^[16], mejorar la comprensión de sus decisiones y reducir desconfianza por falta de transparencia.

La interacción persona-ordenador y la IA centrada en las personas buscan apoyar tareas y ampliar la cognición, mejorando percepción, pensamiento, acción y creación ^[17]. Deben cuidarse interfaces y mecanismos de interacción, con diseño humano para responder a incidentes y activaciones del estudiante y ofrecer avisos de errores y orientación en distintos escenarios. La usabilidad y los indicadores psicológicos y fisiológicos evalúan si la experiencia es cómoda, participativa y eficaz. En la colaboración con IA, los rasgos del estudiante y la apariencia y el papel del sistema afectan a percepción y disposición a usarlo ^[18]. Los procesos, roles y emociones deben facilitar que la IA o los agentes pedagógicos se integren naturalmente. Combinar experiencia humana y resultados generados mejora eficiencia y calidad de la interacción.

Los datos, nuevo factor de producción, son estratégicos para la educación futura. Los entornos reúnen datos ambientales, personales, conductuales, comunitarios y de recursos, por lo que importa especialmente gestionar y utilizar conforme a las normas los activos públicos educativos. La infraestructura necesita responsabilidades y límites claros y mecanismos de intercambio y apertura que permitan circulación confiable y eficiente entre instituciones y departamentos. Deben cuidarse privacidad, desidentificación de datos sensibles y riesgos de cumplimiento. Normas de gestión y técnicas estrictas deben reforzar cifrado y control de acceso. La computación segura ^[19], la computación protectora de privacidad y el aprendizaje federado ^[20], combinando equipos y programas, pueden permitir uso multimodal seguro, conforme y eficaz mientras protegen los datos.

La necesidad urgente de educación de calidad y la complejidad e incertidumbre de las nuevas tecnologías, especialmente la IA, siguen planteando retos a su integración educativa. Los entornos inteligentes son una base para la transformación digital y la innovación. Integrar sus elementos con tecnologías y avanzar en percepción multimodal, registro de procesos, modelado entre ámbitos y apoyo comunitario humano-máquina puede crear entornos centrados en el estudiante. La lógica de procesamiento, entrenamiento y servicios comprende renovación y agregación, indicadores y modelos y apoyo adaptativo preciso. Aplicaciones contextualizadas, estándares entre ámbitos, motores y seguimiento a escala permiten extender la IA educativa. Estas innovaciones apoyan técnicamente aprendizaje personal y permanente y acceso ampliado a recursos de calidad. Contribuyen además a sistemas conectados, digitales, personalizados y permanentes y a una sociedad donde todos puedan aprender en cualquier lugar y momento.

Publicado originalmente en E-education Research, número 10 de 2024. Para nuevas reproducciones, debe contactarse con la redacción de la revista mediante su correo oficial: dhjyyj@163.com.

Referencia recomendada: QI Binbin, BAO Haogang, ZHENG Yafeng, LI Yanyan. A Learner-centered Intelligent Learning Environment: Connotation, Framework and Implementation Paths. E-education Research, 2024, 45(10): 72–78. DOI: 10.13811/j.cnki.eer.2024.10.010.

Las referencias conservan idioma original, autores y numeración para facilitar su localización.

Financiación: Proyecto Nacional Principal de Ciencia y Tecnología para la Nueva Generación de Inteligencia Artificial de 2022, Tecnologías Clave y Demostración de Aplicaciones de Computación Inteligente para Entornos de Aprendizaje (2022ZD0115900).

Información de autores publicada en 2024: QI Binbin, varón nacido en 1992 en Yancheng, Jiangsu, es investigador asistente y doctor, especializado en entornos inteligentes y realidad virtual educativa. Correo: qidoublebins@163.com. LI Yanyan es la autora de correspondencia; correo: liyy@bnu.edu.cn.

El texto sigue el artículo histórico de la Cátedra. Las figuras proceden de las páginas impresas 73 y 74 del PDF oficial. Sus títulos originales emplean entorno inteligente de aprendizaje. Las tecnologías son propuestas de investigación y no implican que este sitio utilice la recogida o el análisis descritos.

Entre ámbitos alude a conexiones y transiciones entre escuelas, hogares y otros espacios. La traducción del texto sigue el significado chino; el apéndice conserva la redacción del resumen inglés publicado.