La educación STEM del futuro

El Prof. Dr. Jochen Kuhn explica cómo la tecnología educativa moderna facilita la enseñanza y el aprendizaje de las materias STEM, y cómo el eye tracking permite estudiar sus efectos.

El Prof. Dr. Jochen Kuhn es catedrático de enseñanza de la física en la LMU de Múnich (Alemania). Sus intereses de investigación se centran actualmente en el aprendizaje con múltiples representaciones en la educación STEM y la educación física a través de entornos y tecnologías de aprendizaje basados en multimedia (smartphones, tabletas, AR/VR, etc.). Esto incluye la formación de profesores STEM, el aprendizaje con y sobre inteligencia artificial (IA) en escuelas y universidades, y el examen basado en eye tracking de los procesos de aprendizaje y resolución de problemas.

¿Cuál es la visión global de su investigación?

Hoy en día, muchos estudiantes siguen percibiendo la Física como algo artificial y poco relevante para el mundo cotidiano. El contenido se considera "árido" y abstracto, con muchas relaciones y procesos puramente teóricos e invisibles.

Desarrollamos e investigamos enfoques para tender puentes entre estas tensiones entre lo abstracto y lo fenomenológico, así como entre lo cotidiano y lo específico de una disciplina, mediante el uso de entornos de aprendizaje multimedia. Mediante el uso de visualizaciones multimedia, las denominadas representaciones externas múltiples, los estudiantes aprenden con y sobre herramientas cognitivas que también necesitan en la vida cotidiana (por ejemplo, interpretaciones de diagramas y gráficos) para poder construir estos puentes por sí mismos. Con este fin, también implementamos tecnologías modernas en los entornos de aprendizaje para mejorar la educación de los alumnos (y de los profesores) con y sobre dichos medios. La razón es que cabe esperar que las tecnologías modernas se utilicen en nuestra vida cotidiana en el futuro.

Por supuesto, queremos averiguar cómo y con qué representaciones los estudiantes aprenden física con éxito, diseñan experimentos o resuelven problemas físicos. Así pues, no sólo nos interesa el resultado del aprendizaje o de la resolución de problemas, sino el proceso en sí mismo, porque nos permite comprender mejor cómo podemos apoyar, animar o desafiar a los estudiantes para que aprendan con éxito.

Este apoyo al aprendizaje debe ser individualizado y personalizado, de modo que diferentes estudiantes puedan acceder al mismo contenido de aprendizaje a través de diferentes tipos de representaciones, con diferentes estrategias y de diferentes maneras. Por lo tanto, predecir el éxito del aprendizaje mediante técnicas de aprendizaje automático es también un aspecto esencial de nuestra investigación con representaciones y tecnologías de aprendizaje de vanguardia.

¿Qué le ha inspirado para embarcarse en este viaje y qué le mantiene motivado para seguir adelante?

Hay muchas maneras de diseñar buenas lecciones de física. Sin embargo, el aprendizaje con representaciones múltiples ofrece opciones completas, estáticas y dinámicas mediante el uso de multimedia y tecnologías de aprendizaje innovadoras. Estas opciones seguirán aumentando -para la enseñanza y la investigación-, sobre todo a raíz de la digitalización.

Además, a través de este tipo de desarrollo e investigación de tecnologías de aprendizaje innovadoras con conceptos relacionados con los contenidos, la generación actual y las venideras también pueden adquirir competencias socialmente relevantes, como la alfabetización en datos o la alfabetización en IA, y cambiar así la propia sociedad.

Así pues, las múltiples opciones y la importancia para el desarrollo social fueron las causas de la elección del aprendizaje con múltiples representaciones utilizando tecnologías de aprendizaje innovadoras y de vanguardia.

¿Qué destacaría como principal hallazgo de su trabajo hasta ahora?

No hay un resultado importante, sino la constatación de que la educación corre el riesgo de quedarse rezagada con respecto a las necesidades y exigencias de la sociedad en algunos ámbitos debido a la gran dinámica de la digitalización. Esto significa que la educación debe tener la oportunidad de seguir el ritmo de la evolución de la sociedad.

Si tenemos en cuenta que ha tenido que pasar más de una década, sobre todo en Alemania, para que un medio tan cotidiano como la tableta se abra camino de forma más o menos sistemática en las aulas, necesitamos nuevas oportunidades para futuros desarrollos.

Especialmente en la investigación en educación, debemos esforzarnos más por anticiparnos e investigar desde el principio qué próximas tecnologías cotidianas podrían tener un efecto similar al de los smartphones y las tabletas. A continuación, deben desarrollarse y estudiarse con ellas conceptos de aprendizaje válidos y practicables, de modo que, cuando se introduzca la próxima generación de tecnologías de aprendizaje, ya dispongamos de conceptos de éxito para la enseñanza probados empíricamente y no tengamos que esperar hasta entonces para empezar a desarrollarlos.

Y la política necesita crear marcos y programas que permitan esos desarrollos punteros y la investigación de los mismos en estrecha colaboración con las escuelas dentro de las aulas.

Por un lado, es importante implicar en este proceso a todas las instituciones dedicadas a la educación y la investigación. Por otro lado, también es necesario formar a los profesores para que apliquen los nuevos enfoques y tecnologías en sus aulas de manera significativa y específica.

¿Cómo se ha beneficiado su trabajo del empleo del Eye tracking en sus experimentos?

Además de las pantallas montadas en la cabeza (HMD) para la Realidad Aumentada (RA) y la Realidad Virtual (RV), estimamos que los sistemas basados en el eye tracking, entre otros, formarán parte de esas tecnologías educativas de próxima generación (EDTech) o se implantarán en ellas.

Por ejemplo, cuando se aprende, se resuelven problemas o se experimenta con múltiples representaciones, utilizamos sistemas de eye tracking de distintos tipos (fijos, móviles, integrados en HMD de RV/AR) para investigar las estrategias visuales de los alumnos y distinguir entre estrategias de aprendizaje exitosas y fracasadas.

Además, podemos utilizar los datos de la mirada para entrenar algoritmos de IA que predigan si un problema se resolverá con éxito o no, utilizando estrategias visuales de los alumnos ya durante el proceso de aprendizaje. Esto nos permite ofrecer apoyo personalizado antes de que elijan una estrategia o solución incorrecta, y sin evaluaciones adicionales, solo basándonos en la estrategia visual y de forma totalmente personalizada".

Una vez más, es importante formar y desarrollar a los profesores para que utilicen estos sistemas basados en la mirada.

Desde su perspectiva actual, y su amplia experiencia con el eye tracking, ¿qué aconsejaría a quienes se plantean adoptarlo en sus investigaciones?

En primer lugar, hay que considerar exhaustivamente qué papel deben desempeñar los análisis de eye tracking en la propia investigación.

Si no está previsto que el eye tracking sea el método de investigación principal, yo aconsejaría investigar las cuestiones relacionadas más bien en cooperación con socios de investigación experimentados para adquirir experiencia en lugar de invertir en equipos cuando el beneficio no está claro.

Sin embargo, si se quiere establecer los métodos de eye tracking como repertorio estándar del grupo de investigación, sugeriría invertir desde el principio suficientes recursos materiales y de personal exclusivamente para esta línea de investigación.

Información relacionada

He aquí una selección de publicaciones recientes que informan sobre los trabajos en los que se ha empleado la tecnología Eye tracking:

Becker, S., Küchemann, S., Klein, P., Lichtenberger, A. & Kuhn, J. (2022). Los patrones de mirada mejoran la predicción de respuestas: More than correct or incorrect . Physical Review Physics Education Research, 18(020107) .

Dzsotjan, D., Ludwig-Petsch, K., Mukhametov, S., Ishimaru, S., Küchemann, S., & Kuhn, J. (2021). The Predictive Power of Eye tracking Data in an Interactive AR Learning Environment (El poder predictivo de los datos de eye tracking en un entorno de aprendizaje interactivo de realidad aumentada ). Adjunct Proceedings of the 2021 ACM International Joint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2021 ACM International Symposium on Wearable Computers, septiembre de 2021, 467-471.

Klein, P., Becker, S., Küchemann, S., & Kuhn, J. (2021). Prueba de comprensión de gráficos en cinemática: Item objectives confirmed by clustering eye movement transitions . Physical Review Physics Education Research , 17 (1), 013102.

Kumari. N., Ruf, V., Mukhametov, S., Schmidt, A., Kuhn, J., & Küchemann, S. (2021). Mobile Eye tracking Data Analysis Using Object Detection via YOLOv4 . Sensors, 21 (22), 7668. MDPI AG.

Para más información sobre el laboratorio del Prof. Dr. Kuhn, visite su página web .