AutoTutor es un sistema de tutoría inteligente desarrollado por investigadores del Instituto de Sistemas Inteligentes de la Universidad de Memphis , incluido Arthur C. Graesser , que ayuda a los estudiantes a aprender temas de física newtoniana , alfabetización informática y pensamiento crítico a través de diálogos tutoriales en lenguaje natural. [1] [2] [3] AutoTutor se diferencia de otros sistemas populares de tutoría inteligente como Cognitive Tutor, en el sentido de que se centra en el diálogo en lenguaje natural. Esto significa que la tutoría ocurre en forma de una conversación en curso, con aportes humanos presentados mediante entrada de voz o texto libre. Para manejar esta entrada, AutoTutor utiliza algoritmos de lingüística computacional que incluyen análisis semántico latente , coincidencia de expresiones regulares y actos de habla .clasificadores. Estas técnicas complementarias se centran en el significado general de la entrada, la fraseología o palabras clave precisas y el propósito funcional de la expresión, respectivamente. Además de la entrada de lenguaje natural, AutoTutor también puede aceptar eventos ad hoc, como clics del mouse, emociones del alumno deducidas de sensores de emociones y estimaciones de conocimientos previos de un modelo de alumno. Con base en estas entradas, el tutor (o tutores) de la computadora determina cuándo responder y con qué actos de habla responder. Este proceso está dirigido por un "guión" que incluye un conjunto de reglas de producción específicas del diálogo .
AutoTutor simula los patrones de discurso de tutores humanos, basándose en el análisis de sesiones de tutoría de persona a persona y estrategias de tutoría fundamentadas teóricamente basadas en principios de aprendizaje cognitivo. [4] Presenta una serie de desafiantes preguntas abiertas que requieren explicaciones verbales y razonamiento en una respuesta. Se involucra en un diálogo de iniciativa mixto y colaborativo mientras construye la respuesta, un proceso que generalmente toma aproximadamente 100 turnos de conversación. AutoTutor habla 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 pantallas gráficas, animacionesde mecanismos causales , o entornos de simulación interactivos . AutoTutor rastrea los estados cognitivos del alumno analizando el contenido del historial de diálogo. AutoTutor selecciona dinámicamente las palabras y declaraciones en cada turno de conversación de una manera que es sensible a lo que sabe el alumno. Las versiones recientes del sistema AutoTutor también se adaptan a los estados emocionales del alumno además de sus estados cognitivos. [5]
AutoTutor ha demostrado ganancias de aprendizaje, particularmente en preguntas de razonamiento profundo, en más de una docena de experimentos en estudiantes universitarios sobre temas de alfabetización informática introductoria [6] y física conceptual . [7] Las pruebas de AutoTutor han producido tamaños de 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 de letra completa. Sin embargo, el tiempo y el costo de la creación de contenido es significativamente mayor que los materiales educativos no interactivos, como diapositivas o libros de texto tradicionales, lo cual es un problema común para los sistemas de tutoría inteligentes. [8] Las metodologías para acelerar la creación de sistemas de tutoría inteligente siguen siendo un área activa en el campo.