Uso de la IA para proporcionar retroalimentación al docente a través del análisis de las grabaciones de clases

  1. Pardo García, Federico
  2. Cánovas Reverte, Óscar
  3. García Clemente, Félix Jesús
  4. González-Férez, Pilar
Revista:
Actas de las Jornadas sobre la Enseñanza Universitaria de la Informática (JENUI)
  1. Cruz Lemus, José Antonio (coord.)
  2. Dapena, Adriana (coord.)
  3. Paramá Gabia, José Ramón (coord.)

ISSN: 2531-0607

Año de publicación: 2024

Número: 9

Páginas: 241-249

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openRUA editor

Otras publicaciones en: Actas de las Jornadas sobre la Enseñanza Universitaria de la Informática (JENUI)

Resumen

Este trabajo presenta el despliegue práctico de una plataforma de análisis del habla basada en inteligencia artificial en el contexto de la actividad docente. Utilizando grabaciones de clases, el objetivo central es desarrollar elementos de información significativos para los docentes, proporcionándoles retroalimentación detallada sobre el desarrollo de sus clases. El análisis de audio aborda aspectos como el momento de intervención tanto del docente como de los estudiantes, los patrones de discurso del docente, la duración de las intervenciones y las pausas, además de la identificación de los métodos docentes empleados. Esta información se presenta a través de informes diseñados en colaboración con los docentes, con el objetivo de resaltar información clave, disponerla de manera adecuada, emplear elementos de diseño apropiados y facilitar el análisis de la evolución temporal. En este artículo, se detallan las características principales de los informes de retroalimentación, su implementación en contextos docentes reales y las perspectivas que ofrecen para futuros escenarios de análisis docente. Además, se incluyen las principales valoraciones cualitativas realizadas por un conjunto de docentes que participaron en el piloto.

Referencias bibliográficas

  • [1] Jeff Archer, Steven Cantrell, Steven L Holtzman, Jilliam N Joe, Cynthia M Tocci y Jess Wood. Better feedback for better teaching: A practical guide to improving classroom observations. John Wiley & Sons, 2016.
  • [2] Indrani Bhattacharya, Michael Foley, Ni Zhang, Tongtao Zhang, Christine Ku, Cameron Mine, Heng Ji, Christoph Riedl, Brooke Foucault Welles y Richard J Radke. A multimodal-sensorenabled room for unobtrusive group meeting analysis. En Proceedings of the 20th ACM International Conference on Multimodal Interaction, pp. 347–355, 2018.
  • [3] Hervé Bredin, Ruiqing Yin, Juan Manuel Coria, Gregory Gelly, Pavel Korshunov, Marvin Lavechin, Diego Fustes, Hadrien Titeux, Wassim Bouaziz y Marie-Philippe Gill. Pyannote. audio: neural building blocks for speaker diarization. En ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 7124–7128. IEEE, 2020.
  • [4] Óscar Cánovas y Félix J. García. Analysis of classroom interaction using speaker diarization and discourse features from audio recordings. En Learning in the Age of Digital and Green Transition, pp. 67–74, 2023.
  • [5] Oscar Canovas, Felix J Garcia-Clemente y Federico Pardo. Ai-driven teacher analytics: Informative insights on classroom activities. En 2023 IEEE International Conference on Teaching, Assessment and Learning for Engineering (TALE), pp. 1–8. IEEE, 2023.
  • [6] Meghan E Dale, Amanda J Godley, Sarah A Capello, Patrick J Donnelly, Sidney K D’Mello y Sean P Kelly. Toward the automated analysis of teacher talk in secondary ELA classrooms. Teaching and Teacher Education, 110:103584, 2022.
  • [7] Sidney K D’Mello, Andrew M Olney, Nathan Blanchard, Borhan Samei, Xiaoyi Sun, Brooke Ward y Sean Kelly. Multimodal capture of teacher-student interactions for automated dialogic analysis in live classrooms. En Proceedings of the 2015 ACM on international conference on multimodal interaction, pp. 557–566, 2015.
  • [8] Patrick J Donnelly, Nathan Blanchard, Borhan Samei, Andrew M Olney, Xiaoyi Sun, Brooke Ward, Sean Kelly, Martin Nystran y Sidney K D’Mello. Automatic teacher modeling from live classroom audio. En Proceedings of the 2016 conference on user modeling adaptation and personalization, pp. 45–53, 2016.
  • [9] Anusha James, Yi Han Victoria Chua, Tomasz Maszczyk, Ana Moreno Núñez, Rebecca Bull, Kerry Lee y Justin Dauwels. Automated classification of classroom climate by audio analysis. En 9th International Workshop on Spoken Dialogue System Technology, pp. 41–49. Springer, 2019.
  • [10] Catherine Lai, Jean Carletta y Steve Renals. Modelling participant affect in meetings with turntaking features. En Proc. Workshop of Affective Social Speech Signals, 2013.
  • [11] Hang Li, Yu Kang, Wenbiao Ding, Song Yang, Songfan Yang, Gale Yan Huang y Zitao Liu. Multimodal learning for classroom activity detection. En ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 9234–9238. IEEE, 2020.
  • [12] Owens, Melinda T. and others. Classroom sound can be used to classify teaching practices in college science courses. Proceedings of the National Academy of Sciences of the United States of America, 114(12):3085–3090, 2017.
  • [13] Tae Jin Park, Naoyuki Kanda, Dimitrios Dimitriadis, Kyu J. Han, Shinji Watanabe y Shrikanth Narayanan. A review of speaker diarization: Recent advances with deep learning. Computer Speech and Language, 72, 2022.
  • [14] Danner Schlotterbeck, Pablo Uribe, Roberto Araya, Abelino Jimenez y Daniela Caballero. What classroom audio tells about teaching: a costeffective approach for detection of teaching practices using spectral audio features. En LAK21: 11th International Learning Analytics and Knowledge Conference, pp. 132–140, 2021.
  • [15] Hang Su, Borislav Dzodzo, Xixin Wu, Xunying Liu y Helen Meng. Unsupervised Methods for Audio Classification from Lecture Discussion Recordings. En INTERSPEECH, pp. 3347–3351, 2019.
  • [16] Abhijit Suresh, Tamara Sumner, Jennifer Jacobs, Bill Foland y Wayne Ward. Automating analysis and feedback to improve mathematics teachers’ classroom discourse. En Proceedings of the AAAI conference on artificial intelligence, volumen 33, pp. 9721–9728, 2019.
  • [17] Zuowei Wang, Xingyu Pan, Kevin F Miller y Kai S Cortina. Automatic classification of activities in classroom discourse. Computers & Education, 78:115–123, 2014.
Fuente de los datos: Dialnet