Neste post A experiência estudantil impulsionada pela IA, explora como a inteligência artificial está aprimorando a experiência dos estudantes no ensino superior, personalizando o suporte e recomendações, através de chatbots e interfaces inteligentes, para melhorar as experiências de aprendizagem e o sucesso acadêmico.
As instituições de ensino superior empregam um amplo espectro de estratégias para melhorar os indicadores básicos de sucesso dos estudantes. Algumas abordagens dependem de análises sofisticadas de dados para identificar proativamente os alunos que precisam de intervenção; outras se concentram no desenvolvimento dos recursos sociais e emocionais dos alunos para ajudá-los a persistir na realização de suas metas educacionais.
Como designers, vemos a “experiência do usuário” que os alunos têm com uma instituição como uma área de oportunidade frequentemente negligenciada no ensino superior. As faculdades e universidades podem ser intimidadoras e desconcertantes.
Os alunos dependem de serviços e recursos institucionais para lidar com decisões financeiras, de carreira e de estilo de vida com as quais muitos nunca lidaram antes. Além disso, esses serviços de apoio podem ser confusos e difíceis de navegar.
Em nossa experiência, as instituições desejam atender os alunos como indivíduos, para orientá-los em suas jornadas rumo a resultados que considerem satisfatórios e enriquecedores. Vemos um grande potencial nas tecnologias de inteligência artificial (IA) para permitir que a instituição ofereça melhor suporte aos alunos e que os alunos se envolvam totalmente com a instituição.
A aplicação cuidadosa da IA aumentará a capacidade dos orientadores e do corpo docente de ajudar os alunos de forma significativa e ajudará os alunos a se manterem no caminho certo e a aproveitarem ao máximo os recursos disponíveis para eles. Criamos um pequeno vídeo para mostrar como seria uma abordagem que prioriza a IA na experiência do aluno:
Quando os alunos encontram barreiras para recursos, informações e transações essenciais, eles podem ficar frustrados e sua confiança na instituição diminui. Para estudantes não tradicionais, os resultados podem ser piores. Em nossa pesquisa com alunos adultos on-line e com alunos de primeira geração no Vale do Rio Grande, no Texas, vimos que qualquer atrito na experiência pode gerar resultados desastrosos.
Embora a maioria das faculdades e universidades disponibilize serviços e recursos digitalmente, acreditamos que agora elas devem considerar as tecnologias emergentes de IA para capitalizar esses investimentos e oferecer uma experiência que guiará habilmente os alunos até a conclusão. É hora de começar a adotar uma abordagem de “IA em primeiro lugar” para o envolvimento dos alunos.
Um exemplo promissor é fornecido por uma start-up de tecnologia educacional chamada AdmitHub. A AdmitHub criou um chatbot alimentado por IA que orienta os alunos por meio das perguntas frequentes ou dos recursos de admissão existentes em uma universidade (veja a figura 1).
O primeiro modelo de IA
A criação de sistemas e experiências com base na capacidade da IA de interpretar a linguagem natural, detectar o contexto e prever as necessidades permitirá que as faculdades e universidades unam seus serviços e envolvam os estudantes de forma proativa. Os elementos fundamentais desse modelo incluem interfaces de conversação, interação contextual com o usuário, estímulos e modos.
Interfaces de conversação
Um dos elementos mais interessantes dos chatbots é a confiança na conversa como interface principal. Interfaces de conversação como essas permitem que os alunos interajam com serviços muitas vezes complexos por meio de mensagens, algo que eles fazem todos os dias. Nesse caso, a IA interpreta a entrada do usuário em linguagem natural (o texto) e a associa à resposta correta. Ao oferecer uma interface tão simples, as instituições podem ajudar os estudantes a encontrar as informações específicas de que precisam sem precisar pesquisar em um complexo portal do aluno on-line.
Outros setores com serviços e suporte igualmente complexos estão explorando essa abordagem. Por exemplo, para melhorar a experiência de compra e propriedade de um carro, a Volvo testou um chatbot baseado em IA que auxilia os clientes no processo de compra. Alguns veículos novos da Volvo vêm com um aplicativo que usa a mesma tecnologia para fornecer um conjunto de serviços premium, como reabastecimento na estrada sob demanda.
Interfaces de usuário contextuais
As interfaces de conversação têm limites significativos. Por um lado, a capacidade de descoberta é extremamente limitada. Sem indicadores de quais informações e funcionalidades estão disponíveis para eles, os usuários só podem solicitar o que sabem. Em segundo lugar, mesmo as interações marginalmente complexas, como a redução de uma lista de opções, são bastante lentas na forma de diálogo. O que poderia levar apenas dois cliques em um botão requer várias trocas de perguntas e respostas.
Ao combinar o modelo de conversação com interfaces gráficas de usuário mais tradicionais (botões, listas, imagens etc.), as instituições podem fornecer aos alunos as informações e a funcionalidade de que eles precisam exatamente no momento em que precisam. Por exemplo, um aluno receberia uma notificação de que uma taxa de laboratório está vencida. Um applet de pagamento especializado incorporado a essa notificação permitiria que o aluno pagasse a taxa imediatamente. A Figura 2 mostra um exemplo de uma interface gráfica contextual.
Nudge
A capacidade mais promissora da IA é interpretar o contexto. Assim como os algoritmos de processamento de linguagem natural utilizam modelos estatísticos para interpretar a fala, os algoritmos podem ser treinados para entender as necessidades de sucesso dos alunos.
Ao integrar os dados dos alunos, como comportamento, ritmo e progresso, com as políticas institucionais, é possível prever as necessidades de intervenção e orientar os alunos individualmente para a próxima e melhor ação ou encaminhar para um orientador. Em nosso vídeo, por exemplo, um aluno tenta desistir de uma aula. Como se trata de um calouro, o sistema solicita que ele se conecte com o orientador e apresenta um applet de agendamento.
Modos
A definição de um conjunto de modos de uso discretos ajudará os alunos a aproveitar a diversidade de recursos disponíveis para eles. Os modos podem ser vinculados a locais ou tarefas. Quando um aluno se aproxima de uma parada de transporte do campus, por exemplo, o sistema apresenta rotas e informações sobre horários.
Para um aluno de ensino à distância que esteja pesquisando um tópico, o sistema apresentaria uma interface de usuário para navegar pelas publicações relevantes. As transferências entre os modos ajudam os alunos a se concentrarem na tarefa em questão (veja a Figura 3).
O que um sistema de IA precisaria?
Embora seja tentador pensar nos sistemas baseados em IA como inteligências monolíticas, na realidade eles são conjuntos de algoritmos especializados vinculados a outros recursos.
Por exemplo, o aplicativo de fotos do Google usa algoritmos treinados em processamento de linguagem natural, reconhecimento de imagem, reconhecimento facial e outros para permitir que os usuários encontrem a foto que estão procurando simplesmente descrevendo-a em voz alta. Os principais componentes necessários para o nosso modelo são o discernimento da intenção, o roteamento inteligente, os dados existentes e os modelos treinados.
Discernimento da intenção
O primeiro modelo de IA depende do processamento de linguagem natural (NLP) para determinar a intenção de um aluno, que é então mapeada para ações, scripts ou respostas modeladas correspondentes. Como Shane Mac, da Assist [http://www.assi.st/], aponta em um post no Medium, há muitas maneiras de dizer a mesma coisa, e prender as pessoas em árvores de decisão de perguntas prontas muitas vezes se assemelha mais ao preenchimento de um formulário do que a uma conversa real (veja a figura 4).
Uma maneira melhor de analisar a intenção é ouvir a intenção e os parâmetros que mapeiam a ação correspondente no fluxo de uma conversa. Por exemplo, se você disser “Quero renovar um livro da biblioteca” e “Quero renovar as Viagens de Gulliver”, deverá iniciar a mesma ação de renovação do livro, e o sistema deverá levar em conta as Viagens de Gulliver como um parâmetro para essa ação. A resposta subsequente do sistema deve ser o preenchimento dos parâmetros ausentes: “Vou renovar Gulliver’s Travels para você. Quando você quer devolvê-lo?” A Figura 5 ilustra o mapeamento da linguagem natural para ações e parâmetros, ou navegação de acesso aleatório.
Roteamento inteligente
Uma vez que a intenção tenha sido mapeada para uma ação, o sistema precisa concluir a ação encaminhando o aluno para um recurso, resultado retornado ou parte adicional da funcionalidade. Às vezes, isso pode ser uma pergunta direcionada para a obtenção de um parâmetro ausente (como o título do livro). Outras vezes, pode ser uma simples confirmação de que a ação foi concluída ou pode iniciar uma ação mais complexa por meio de um applet em linha.
O roteamento inteligente também se aplica a intenções que não correspondem a uma ação no sistema. Se o sistema não puder executar uma ação, ele deverá, pelo menos, reconhecer o que o aluno deseja fazer e direcioná-lo contextualmente para uma pessoa ou recurso apropriado (consulte a Figura 6).
Um dos aspectos mais encorajadores desse modelo é que ele pode ser colocado em camadas sobre a infraestrutura existente de uma universidade, servindo como uma ponte entre serviços e recursos isolados. Em outras palavras, ele pode aproveitar ao máximo o que já existe. Da mesma forma, imaginamos que uma experiência do aluno que prioriza a IA poderia ser implementada com uma abordagem em fases que, inicialmente, visa conectar e coordenar os recursos existentes e, em seguida, integrá-los progressivamente (veja a figura 7).
Dados existentes
Outro aspecto importante envolve o aproveitamento dos dados existentes sobre cada aluno, o corpo discente e outros recursos para que o sistema saiba onde o aluno está em sua carreira universitária e ofereça a funcionalidade certa no momento adequado.
Esse recurso poderia simplificar tarefas como o pagamento de contas, preenchendo previamente as informações de pagamento no arquivo para que o aluno possa pagar com um único toque. Ou o sistema pode gerar um cronograma de orientação personalizado para facilitar a entrada de um calouro em sua primeira semana (veja a Figura 8). A falta de acesso a esses dados é atualmente um dos maiores fatores limitantes para atender aos alunos de forma eficaz.
Modelos treinados
Os dados existentes também podem ser usados para criar modelos preditivos sobre os interesses dos alunos, atividades no campus e todos os tipos de outros aspectos. Modelos como esses são essenciais para fornecer recomendações, gerar conteúdo personalizado e mapear intenções específicas para as ações, os recursos ou os serviços mais relevantes. Isso se torna especialmente importante quando o sistema tenta levar em conta as mudanças ao longo do tempo – novos dados de treinamento geram novas recomendações, novo conteúdo personalizado e nova lógica de roteamento.
Considerações finais
As verdadeiras soluções para o sucesso do estudante são sistêmicas e exigem a orquestração de pessoas e recursos de todas as facetas da instituição. Acreditamos que o uso de tecnologias de IA para mediar a interação entre o aluno e a instituição não apenas eliminará muitos obstáculos significativos para o sucesso do aluno, mas também liberará a energia dos profissionais que fizeram do trabalho de suas vidas ajudar os alunos a serem bem-sucedidos.
Autor:
Fonte: Educause Review
Artigo Original: https://bit.ly/4hfW9KT
