AutoTutor

AutoTutor es un sistema de tutoría inteligente desarrollado por investigadores del Instituto de Sistemas Inteligentes de la Universidad de Memphis , entre ellos Arthur C. Graesser, que ayuda a los estudiantes a aprender física newtoniana , alfabetización informática y temas de pensamiento crítico mediante diálogos tutoriales en lenguaje natural. ^{[ 1 ] [ 2 ] [ 3 ]} AutoTutor se diferencia de otros sistemas de tutoría inteligente populares, como Cognitive Tutor , en que se centra en el diálogo en lenguaje natural. Esto significa que la tutoría se produce en forma de conversación continua, con la entrada humana presentada mediante voz o texto libre. Para procesar esta entrada, AutoTutor utiliza algoritmos de lingüística computacional , incluyendo análisis semántico latente , coincidencia de expresiones regulares y clasificadores de actos de habla . Estas técnicas complementarias se centran en el significado general de la entrada, la fraseología precisa o las palabras clave, y el propósito funcional de la expresión, respectivamente. Además de la entrada en lenguaje natural, AutoTutor también puede aceptar eventos ad hoc, como clics del ratón, emociones del estudiante inferidas a partir de sensores de emociones y estimaciones del conocimiento previo de un modelo del estudiante. A partir de estos datos, el tutor informático (o los tutores) determina cuándo responder y con qué actos de habla. Este proceso se rige por un "guion" que incluye un conjunto de reglas de producción específicas para cada diálogo .

AutoTutor simula los patrones discursivos de los tutores humanos, basándose en el análisis de sesiones de tutoría entre humanos y estrategias de tutoría con fundamentos teóricos basados ​​en principios de aprendizaje cognitivo. ^{[ 4 ]} Presenta una serie de preguntas abiertas y desafiantes que requieren explicaciones verbales y razonamiento en la respuesta. Participa en un diálogo colaborativo de iniciativa mixta mientras construye la respuesta, un proceso que generalmente toma aproximadamente 100 turnos conversacionales. AutoTutor expresa el contenido de sus turnos a través de un agente conversacional animado con un motor de voz, algunas expresiones faciales y gestos rudimentarios. Para algunos temas, hay representaciones gráficas, animaciones de mecanismos causales o entornos de simulación interactivos . AutoTutor rastrea los estados cognitivos del estudiante analizando el contenido del historial del diálogo. AutoTutor selecciona dinámicamente las palabras y afirmaciones en cada turno conversacional de una manera que es sensible a lo que el estudiante sabe. Las versiones recientes del sistema AutoTutor también se adaptan a los estados emocionales del estudiante, además de sus estados cognitivos. ^{[ 5 ]}

AutoTutor ha demostrado mejoras en el aprendizaje, particularmente en preguntas de razonamiento profundo, en más de una docena de experimentos con estudiantes universitarios sobre temas de alfabetización informática introductoria ^{[ 6 ]} y física conceptual . ^{[ 7 ]} Las pruebas de AutoTutor han producido tamaños del efecto con una media de 0,8 (rango de 0,4 a 1,5), dependiendo de la medida de aprendizaje, la condición de comparación, el tema y la versión de AutoTutor. A modo de comparación, un tamaño del efecto de 1,0 sería aproximadamente equivalente a una calificación completa. Sin embargo, el tiempo y el coste de la creación de contenido son significativamente mayores que los de los materiales educativos no interactivos, como las presentaciones de diapositivas o los libros de texto tradicionales, lo que es un problema común para los sistemas de tutoría inteligente. ^{[ 8 ]} Las metodologías para acelerar la creación de sistemas de tutoría inteligente siguen siendo un área activa en el campo.

• Sitio web oficial de AutoTutor
• Autotutor sensible a las emociones
• Los artículos de revistas y ponencias de congresos describen el sistema AutoTutor, los experimentos realizados con AutoTutor y otra información relacionada.