Codexi: un tutor adaptativo basado en IA para el aprendizaje guiado de algoritmos

Lucas José Paganini

Autores/as

Lucas José Paganini Universidad Tecnológica Nacional, Argentina https://orcid.org/0009-0009-1141-3103

Palabras clave:

tutor inteligente, aprendizaje de algoritmos, inteligencia artificial, aprendizaje adaptativo, retroalimentación automática

Resumen

El aprendizaje de algoritmos suele ser una etapa difícil para quienes están empezando a programar. Si bien las herramientas de inteligencia artificial generativa facilitan obtener soluciones, muchas veces reducen parte del proceso de razonamiento, lo que termina afectando la forma en que los estudiantes abordan los problemas. Este trabajo introduce un tutor basado en inteligencia artificial que guía el aprendizaje en lugar de limitarse a ofrecer soluciones. En su lugar, acompaña al estudiante a través de una serie de pasos: comprender el problema, reflexionar sobre los datos involucrados, plantear una solución y recién después escribir el código. La idea es simple: desacelerar el proceso para que el estudiante piense antes de programar. El sistema también mantiene un registro básico del desempeño de cada usuario. A partir de eso, señala qué aspectos parecen estar bien y cuáles necesitan más práctica, ajustando la retroalimentación a medida que avanza. Además, se probó un modo de interacción tipo entrevista, donde el sistema hace preguntas en lugar de dar pistas, lo que cambia la forma en que el estudiante se enfrenta al ejercicio. En las primeras pruebas se observó que los estudiantes tienden a organizar mejor sus ideas y a depender menos de respuestas completas. Aunque son observaciones iniciales, sugieren que guiar el proceso puede ser más útil que simplemente dar soluciones.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Anderson, J. R., Corbett, A. T., Koedinger, K. R., & Pelletier, R. (1995). Cognitive tutors: Lessons learned. The Journal of the Learning Sciences, 4(2), 167–207.

Chen, M., Tworek, J., Jun, H., Yuan, Q., Pinto, H. P. de O., Kaplan, J., Edwards, H., Burda, Y., Joseph, N., Brockman, G., Ray, A., Puri, R., Krueger, G., Petrov, M., Khlaaf, H., Sastry, G., Mishkin, P., Chan, B., Gray, S., Ryder, N., Pavlov, M., Power, A., Kaiser, Ł., Bavarian, M., Winter, C., Tillet, P., Such, F. P., Cummings, D., Plappert, M., Bekman, S., Welch, E., Tezak, N., Tang, J., Babuschkin, I., Balaji, S., Jain, S., Carr, A., Leike, J., Achiam, J., Misra, V., Morikawa, E., Radford, A., Knight, M., Brundage, M., Murati, M., Mayer, K., Welinder, P., McGrew, B., Amodei, D., McCandlish, S., Sutskever, I., & Zaremba, W. (2021). Evaluating large language models trained on code. arXiv preprint arXiv:2107.03374.

Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdinger, F. W., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Weller, J., & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274.

VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221.

Wang, Y., Li, H., Zheng, Q., & Zhao, Y. (2024). Exploring guided interaction strategies in AIassisted programming education. Computers and Education: Artificial Intelligence, 6, 100198.