Todas las actividades Aprendizaje profesional
Los educadores analizan a fondo un informe ficticio de "¡funcionó!" y luego diseñan una pequeña indagación honesta en el aula que realmente pueda mostrar si una tarea apoyada por IA mejoró el aprendizaje.
"A los estudiantes les encantó" y "subieron los puntajes" son las evidencias más comunes que se ofrecen a favor de la IA en el aula, y ninguna de las dos demuestra que la IA haya causado el aprendizaje. No se necesita una beca de investigación para hacerlo mejor. En esta sesión, los participantes clasifican diseños de estudio según lo que honestamente permiten concluir, analizan críticamente el informe de indagación de una maestra ficticia y luego planifican una comparación pequeña y justa para su propio salón o curso: una meta de aprendizaje, una comparación tan justa como sea práctico, trabajos de estudiantes calificados sin saber de qué condición provienen y un plan para actuar según lo que encuentren, incluido "no ayudó".
Enganche
Lea en voz alta: "Dejé que mi grupo de segundo periodo usara un tutor de IA durante la unidad, y su promedio en el examen fue 9 puntos más alto que el del sexto periodo. ¡Funciona!" (Aclare al grupo que la cita es inventada.) Pregunte a las parejas: "Nombren otra razón por la que el segundo periodo podría haber sacado un puntaje más alto". Recoja las respuestas rápidamente: un grupo más fuerte, mañana frente a tarde, la maestra estaba más entusiasmada, el segundo periodo tuvo más tiempo, estudiantes distintos.
Nota para el facilitadorCada razón que nombra el grupo es un factor de confusión. Diga el término y lleve una lista.
Explorar
Las parejas clasifican las tiras de la Hoja A en tres categorías: Podría mostrar que la IA ayudó al aprendizaje, No se puede saber: otra cosa podría explicarlo y Mide el uso o el gusto, no el aprendizaje. Luego revele la clave y comenten las dos o tres tiras en las que las parejas más discreparon.
Nota para el facilitadorRecalque que "mide el gusto" no es inútil. La participación importa. Simplemente responde a una pregunta distinta de "¿aprendieron más?".
Explorar
Todos leen la Hoja B, el informe de indagación ficticio de la Sra. Delgado. En parejas, hagan una lista de (1) lo que hizo bien, (2) qué otra cosa podría explicar sus resultados y (3) un cambio que haría más sólida su conclusión. Compartan con el grupo. Las críticas sólidas notan: grupos distintos, el grupo con IA tuvo un día adicional de revisión, ella misma calificó los informes sabiendo de qué grupo venía cada uno, una sola tarea, e informó el promedio pero no lo que realmente mostraban los trabajos de los estudiantes.
Nota para el facilitadorModele la generosidad: la Sra. Delgado hizo más de lo que hacemos la mayoría. Nombró una meta, usó una rúbrica y comparó. El objetivo es una mejor próxima indagación, no una demolición.
Modelar
Explique cuatro acciones prácticas. (1) Diseño cruzado: ambos grupos hacen la Unidad 1 de una manera y la Unidad 2 de la otra, así que todos los estudiantes reciben ambas versiones y las diferencias entre grupos se equilibran. (2) Tiempo igual: ambas condiciones reciben los mismos minutos y el mismo número de revisiones. (3) Calificación a ciegas: sustituya los nombres por códigos, revuelva la pila y pida a un colega que califique parte (o todo) del trabajo sin saber la condición. (4) Decidir de antemano: escriba qué resultado lo llevaría a mantener, ajustar o abandonar el enfoque antes de ver los datos.
Nota para el facilitadorSea honesto sobre los límites: una indagación en el aula no probará nada de forma universal, y está bien. La pregunta es si la evidencia es lo bastante buena para orientar su próxima decisión. Si el profesorado universitario piensa publicar o presentar los resultados fuera de su institución, debe consultar primero con su comité de ética institucional (IRB).
Crear
Cada persona completa la Hoja C para una tarea real del próximo mes en la que esté considerando el apoyo de la IA: retroalimentación de IA sobre borradores, un tutor de IA para ejercicios de práctica, preguntas de práctica generadas por IA, lluvia de ideas con IA para un proyecto. Los compañeros actúan como amigos críticos: después de 12 minutos, intercambian planificadores y cada uno escribe una pregunta "¿Qué otra cosa podría explicarlo?" en el plan del otro. Revisen.
Nota para el facilitadorRevisión ética: nunca le niegue a un estudiante un apoyo al que tiene derecho (adaptaciones, apoyos del IEP o del plan 504) por hacer una comparación. Un diseño cruzado ayuda porque todos reciben ambas versiones.
Análisis
Cada pareja pega una nota adhesiva en "Evidencia que me convencería": el trabajo de estudiantes o el resultado específico que los convencería de que la versión apoyada por IA fue mejor. Lea algunas en voz alta. Pregunte: "¿Qué harán si la respuesta es 'no hubo diferencia' o 'fue peor'?" Recoja compromisos para compartir los resultados con una PLC (comunidad de aprendizaje profesional), un departamento o un coach dentro de seis semanas.
Nota para el facilitadorCoaches: esta es la etapa de medir y ajustar del ciclo de coaching. Ofrézcanse para calificar a ciegas; es una de las cosas más útiles que puede hacer un coach.
Transferir
Cada persona escribe la fecha de inicio, la fecha de calificación y el nombre de quien calificará a ciegas en la parte superior de la Hoja C, y luego le toma una foto. Líderes: identifiquen una decisión sobre una herramienta de IA a nivel de plantel que debería esperar a tener este tipo de evidencia.
Nota para el facilitadorLos líderes pueden relacionar esto con la revisión de cinco preguntas: "¿Qué evidencia nos guiará?" se vuelve concreta cuando los maestros traen pequeñas indagaciones.
La sesión completa se hace en papel: la clasificación, el informe simulado y el planificador. Las propias indagaciones pueden comparar una tarea apoyada por IA con una versión sin pantallas, y la calificación a ciegas funciona con trabajos de estudiantes en papel: doble la parte del nombre, escriba un código, revuelva y entregue la pila a un colega.
Use una hoja de cálculo compartida con códigos de estudiantes, una columna de condición oculta y los puntajes de la rúbrica, para que la calificación a ciegas y las comparaciones de antes y después sean fáciles y los nombres se mantengan privados. De manera opcional, los participantes pegan su plan sin datos identificables en un chatbot aprobado por el distrito y preguntan "¿Qué otra cosa podría explicar una diferencia en estos resultados?", y luego evalúan cuáles de los factores de confusión sugeridos son reales en su salón. En un LMS, publiquen los planes en un foro de discusión para que amigos críticos de distintos planteles puedan comentar.
¿Necesita una pantalla? Una hoja de cálculo sencilla hace práctica la calificación a ciegas y la comparación entre dos unidades, y mantiene los nombres de los estudiantes fuera del análisis. Usar la IA para generar ideas sobre factores de confusión es opcional; el participante sigue decidiendo cuáles importan, lo cual es en sí una práctica de evaluar los resultados de la IA.
Lo que debería poder ver o recopilar si funcionó.
Los educadores planifican una comparación justa y calificada a ciegas de una tarea apoyada por IA, para que la elección de herramientas en clase se base en evidencia del aprendizaje estudiantil.
Realice su indagación durante las próximas cuatro a seis semanas y lleve a su PLC, departamento o coach los trabajos de estudiantes calificados a ciegas, no solo los promedios. Comparta un ejemplo de trabajo de estudiante de cada condición y su decisión de mantener, ajustar o abandonar.
