Tutor automático para aprender a redactar

Wordcloud del post realizado en "R". CC BY de Carlos Delgado

Wordcloud del post realizado en “R”. CC BY de Carlos Delgado

¿Podemos formar a futuros Cervantes o Shakespeare mediante un tutor automático? El equipo de la universidad de Arizona sigue investigando las posibilidades de procesar el Lenguaje Natural, y nos sorprende aplicando a los indicadores de la minería de textos un tutor automático capaz de proporcionar consejos para tu mejora en la redacción de ensayos.

Parten de la base de que la comunicación escrita es una habilidad socio-cognitiva compleja de gran importancia para el éxito académico y profesional. El proceso de escritura requiere conocimiento del lenguaje y dominio de las estrategias de comunicación para adaptarlo a las diferentes necesidades de comunicación social.

Pero igualmente complejo es el reto de mejorar estas habilidades teniendo en cuenta que el déficit en comunicación escrita es diferente para cada persona, y requiere atención personalizada difícil de proporcionar en clases presenciales con numerosos estudiantes.

Para remediar este problema se han ido desarrollando las herramientas de “evaluación automática de la escritura” (AWE en su sigla inglesa), capaces de analizar el lenguaje natural de las personas y extraer conclusiones que se puedan procesar para dar recomendaciones.

Los autores (Laura Allen, Matthew Jacovina, Mihai Dascalu, Rod Roscoe, Kevin Kent, Aaron Likens and Danielle McNamara)  indican que en el desarrollo de estas herramientas a menudo se han descuidado los elementos pedagógicos y retóricos, y  citan la falta de sensibilidad con las diferentes audiencias, giros retóricos y procesos de escritura, que han llevado a unos sistemas tutoriales impersonales y poco efectivos.

En esta ponencia examinan la eficacia de medidas del comportamiento, que como indican, son datos accesibles pero raramente archivados y procesados en los sistemas de enseñanza de la habilidad de escritura.

Uno de sus objetivos a  largo plazo es mejorar el sistema tutorial inteligente denominado Writing Pal (W-Pal), que consideran único en su estrategia de formación y en sus variadas oportunidades de práctica (por ejemplo, práctica basada en juegos y práctica en redacción de ensayos). La estrategia de formación se realiza via presentaciones de video en los procesos de escritura básicos: pre-esritura, borrador y revisión.

Estategias de tutoría automática en escrituura

Estategias de tutoría automática en escrituura

El estudio lo han realizado con los datos de tecleo recogidos de 126 licenciados recogidos por su programa “Tutor automático” (W-Pal). Como otros sistemas AWE, W-Pal utiliza herramientas de análisis de lenguaje natural para extraer información lingüística de los ensayos, e implementa diversos algoritmos para evaluar la calidad y guiar la generación de feedback.

Lo más espectacular de este estudio es el grado de tutorización personalizada que proporciona: Ese feedback formativo está diseñado para ser específico (es capaz de referirse a un párrafo determinado), accionable, y alineado con las estrategias de enseñanza de las lecciones. Por ejemplo, estudiantes que envíen ensayos con unas conclusiones pobres, reciben un feedback sobre cómo resumir los puntos claves de la argumentación en el párrafo de conclusiones.

El análisis de texto lo realizan con dos herramientas conocidas  de análisis de lenguaje natural: WAT y Coh-Metrix (Véase referencia a las mismas en el apartado de HERRAMIENTAS ), y seleccionaron cuatro indicadores de dichas herramientas que habían demostrado un buen ajuste teórico a la calidad de la escritura:

  • Frecuencia de Palabras.
  • Complejidad Sintáctica.
  • Diversidad Semántica.
  • Cohesión Semántica Global.

Por otro lado miden indicadores del comportamiento al teclear, donde combinan intervalos de tiempos de “espera” o latencia, (a las que llaman “ventanas temporales”),  con pulsaciones al teclear, y buscan asociarlos con momentos de creatividad, planificación o revisión del texto que están escribiendo. Indicadores de pulsaciones utilizados van desde la “recurrencia media” de eventos dentro de una ventana temporal, hasta una medida de la entropía.

Los investigadores concluyen que a estos indicadores les queda aún mucho margen de mejora, pero son ciertamente un paso importante para aprovechar este tipo de datos para contribuir a un aprendizaje más efectivo mediante el tutor automático.

Si estas aplicaciones identifican patrones, ¿podremos en un futuro cercano realizar informes o comentarios de textos con el estilo de una determinada personalidad literaria o periodística, simplemente seleccionándolo de un menú desplegable? ¿pueden aprender las máquinas la retórica? ¿nos evaluará un programa para acceder a un trabajo midiendo nuestra capacidad de síntesis, velocidad de escritura y riqueza semántica al redactar un memorandum en un idioma?