La Promesa del Análisis de Texto en la Mejora Educativa

Autores/as

  • Cristian Espinoza Harvard Graduate School of Education

Resumen

El autor sostiene que, aunque el uso de modelos de lenguaje como ChatGPT/GPT-4 y Bard plantea retos interesantes para la academia, incluyendo el de detectar cuándo han sido utilizados por los estudiantes, el problema real radica en las deficiencias de los métodos actuales de evaluación y sugiere explorar enfoques alternativos para medir el aprendizaje. Así, el análisis cuantitativo de texto surge como una estrategia prometedora al permitir analizar el lenguaje utilizado por los estudiantes en foros, discusiones y otras plataformas, para que los educadores pueden obtener información sobre sus pensamientos, sentimientos y valores. El artículo presenta varias técnicas, como el análisis de sentimiento, el modelamiento estructural de tópicos y los embeddings, que pueden ayudar a comprender mejor a los estudiantes y brindarles un apoyo personalizado basado en su comunicación.

Evaluar a los estudiantes a través de su lenguaje expresivo puede conducir a una educación más efectiva e individualizada y transformar los métodos de evaluación puede revolucionar la educación, permitiendo a los educadores fomentar el camino de aprendizaje único de cada estudiante y redescubrir la alegría de aprender.

Palabras clave: Inteligencia artificial, evaluación, modelos de lenguaje

Abstract

The author argues that, while the use of language models such as ChatGPT/GPT-4 and Bard pose interesting challenges for academia, including detecting when they have been used by students, the real problem lies in the shortcomings of current assessment methods, and he suggests exploring alternative approaches to measure learning. Thus, quantitative text analysis emerges as a promising strategy, by allowing the analysis of the language used by students in forums, discussions, and other platforms, so that educators can obtain information about their thoughts, feelings, and values. The article presents several techniques, such as sentiment analysis, structural topic modeling, and embeddings, that can help to better understand students, and provide personalized support based on their communication.

Assessing students through their expressive language can lead to more effective and individualized education, and the transformation of assessment methods can revolutionize education, allowing educators to foster each student's unique learning path and rediscover the joy of learning.

Keywords: Artificial intelligence, assessment, language modeling.

Biografía del autor/a

Cristian Espinoza, Harvard Graduate School of Education

Sr. Learning Technologist, Teaching and Learning Lab, Harvard
Graduate School of Education. Cuenta con Maestría en Educación de
la Universidad de Harvard y es co-fundador de uPlanner.com

Descargas

Publicado

2023-09-04

Número

Sección

Inteligencia Artificial