Puntos clave:
Mientras todos luchamos por el camino hacia una verdadera inclusión educativa, nos enfrentamos a cuatro pilares de equidad, como los describe Rochelle Guiterize: Acceso, Éxito, Poder e Identidad.
Los educadores preocupados por la equidad suelen destacar en el acceso. Abrir las puertas a todos los estudiantes es un movimiento obvio. Sin embargo, debemos impulsar continuamente los sistemas para que todos los estudiantes puedan tener éxito en espacios en los que tengan propiedad y sientan un sentido de pertenencia (identidad). De lo contrario, la equidad y la inclusión siguen siendo sólo un sueño.
Si bien reconocemos que algunos de estos elementos requieren grandes cambios en los sistemas, también queremos desafiar a todos los profesores de informática a ser el ejemplo. Llevar la informática, con su larga historia de exclusión, hacia un futuro inclusivo provocará efectos en cadena en todas las áreas de contenido. . Utilizando el Principios de AiiCE, que recomiendan adoptar enfoques que respondan a las identidades de los estudiantes (Alliance for Identity-Inclusive Computing Education, 2023), sugeriremos pasos hacia una pedagogía de educación inclusiva con el Diseño Universal para el Aprendizaje (UDL) y socios de pensamiento de IA generativa.
Se puede dar un primer paso hacia la educación inclusiva mediante la adopción del UDL. De acuerdo con la CSTA: Pedagogías de enseñanza inclusivas, “UDL es un enfoque de planificación de la instrucción diseñado para brindar a todos los estudiantes la misma oportunidad de aprender eliminando las barreras que impiden que los estudiantes participen plenamente en sus comunidades de aula” (White, 2023). Sin embargo, esta es una tarea que requiere mucho tiempo (aunque vale la pena) para los docentes que ya están gravados.
En el marco de trabajar de manera más inteligente, no más dura, describiremos una manera de comenzar a integrar los principios del UDL en las lecciones, avanzando hacia una mayor equidad e inclusión mediante el uso de herramientas de IA generativa (GenAI). El modelo generativo que se utiliza es ChatGPT 3.5 (para un uso óptimo recomendamos ChatGPT 4).
Enseñar al estudiante promedio nunca ha sido efectivo. Nuestros estudiantes poseen una amplia gama de cerebros diferentes, con diferentes capacidades sensoriales y de procesamiento. Los buenos profesores están encontrando formas de satisfacer las necesidades de aprendizaje de todos estos cerebros diversos dentro de la misma clase.
La UDL utiliza los fundamentos de la neurociencia para brindarles a los educadores Un marco empoderar a todos los estudiantes (CAST, 2018). El UDL es un proceso, no un producto, y requiere que los docentes reconsideren su planificación e impartición de enseñanza. Aunque esto no significa necesariamente pedirles a los docentes que hagan más, sí les pide absolutamente que hagan algo diferente. Mientras los profesores luchan por transformar su práctica docente, la IA generativa ofrece sólidas oportunidades. Cuando combinamos un marco probado y basado en investigaciones como UDL con IA, nos acercamos un paso más al objetivo de una verdadera inclusión de todos los estudiantes en las clases de informática.
La implementación del UDL requiere repensar el desarrollo y la planificación de las lecciones. Ralabate (2016) nos plantea cinco preguntas fundamentales que permiten a los docentes comenzar a transformar su práctica. A medida que los docentes adopten esta transformación, la IA generativa puede ser un compañero de pensamiento para utilizar las cinco preguntas fundamentales de manera eficiente. Estas preguntas giran en torno a la accesibilidad, la flexibilidad, la ausencia de sesgos, la validez y la confiabilidad de nuestras actividades de aprendizaje.
A continuación, abordamos las primeras cuatro de estas preguntas, junto con indicaciones generativas de IA que pueden usarse para aumentar la velocidad de implementación de cada una de estas preguntas.
| Pregunta | Descripción | Aviso de IA generativa |
| LA EXCELENCIA | ¿Quién puede participar en la lección y quién no? | Examine este plan de lección y dígame qué tipo de estudiante no podría participar plenamente en esta lección. |
| Flexibles | Elección de los estudiantes sobre cómo aprenden y cómo demuestran su aprendizaje. | Proporcione varios métodos para que los estudiantes demuestren [meta/objetivo de aprendizaje]. |
| Libre de prejuicios | ¿Qué en mi actividad de aprendizaje es inadvertidamente desventajoso para los estudiantes? | ¿Qué componentes de esta lección suponen conocimientos previos similares para mí, el instructor, o qué componentes son...? |
| Válido | ¿Mi evaluación evalúa el objetivo de aprendizaje específico que intento evaluar? | Cambie el nivel de lectura de esta pregunta a un nivel de séptimo grado (elija un nivel que sea accesible para todos los estudiantes) |
La última pregunta gira en torno a la fiabilidad. La confiabilidad mide la capacidad de una actividad de aprendizaje para alcanzar sus objetivos. ¿La variabilidad en el desempeño de mi estudiante se debe enteramente a su desempeño, o hay una variación que se debe al diseño de la actividad (Ralabate, 2016)? Es imposible eliminar verdaderamente la variación debida al diseño, pero se minimizará si las primeras cuatro preguntas se consideran e implementan cuidadosamente en el proceso de diseño. Como verificación final de confiabilidad, GenAI se puede utilizar para triangular las calificaciones: pídale que evalúe los datos de los estudiantes con respecto a una rúbrica. Al comparar múltiples respuestas de GenAI con los resultados del maestro, podemos minimizar el sesgo implícito y garantizar que las calificaciones que damos sean medidas auténticas del aprendizaje de los estudiantes.
Los sistemas producen aquello para lo que fueron diseñados. Nuestro sistema educativo fue construido para producir resultados inequitativos, y eso es lo que produce. Creemos que los educadores en ciencias de la computación pueden estar a la altura del desafío actual y rehacer su enseñanza de una manera que eduque de manera efectiva a todos los cerebros, cerebros que tienen necesidades extremadamente diversas. Sabemos el por qué (equidad), sabemos el cómo (UDL) y con la IA generativa, ahora tenemos los medios para lograr lo que se demanda en el momento.
Referencias
Alianza para la educación en informática que incluya la identidad (2023). Principios de AIICE IIC. https://identityincs.org/resources/aiice-iic-tenets/
REPARTO (2018). UDL y el cerebro que aprende. Wakefield, MA. Obtenido de http://www.cast.org/products-services/resources/2018/udl-learning-brain-neuroscience
Gutiérrez, R. (2011). El contexto importa: ¿Cómo deberíamos conceptualizar la equidad en la educación matemática? En Equidad en el discurso para la educación matemática: teorías, prácticas y políticas (págs. 17-33). Dordrecht: Springer Países Bajos.
Ralabate P. (2016). Su planificador de lecciones UDL: la guía paso a paso para enseñar a todos los alumnos. Publicación Brookes.
White, SV, et al. (2023, 5 de junio). Pedagogías de enseñanza inclusivas. Asociación de Profesores de Informática. https://csteachers.org/inclusive-teaching-pedagogies/
Bios:
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://www.eschoolnews.com/educational-leadership/2024/01/12/educational-equity-computer-science-generative-ai/
