Aprendizaje Colaborativo Soportado por Computadora

Rosanna Costaguta1, María de los Ángeles Menini1, Daniela Missio1, Pablo Santana-Mansilla1, Germán Lescano1, Erika A. Martínez-Mirón2 y Guillermina Sánchez-Román2

1Instituto de Investigación en Informática y Sistemas de Información – Facultad de Ciencias Exactas y Tecnologías – Universidad Nacional de Santiago del Estero (Argentina)

2Facultad de Ciencias de la Computación, Benemérita Universidad Autónoma de Puebla (México)

Resumen:

El Aprendizaje Colaborativo Soportado por Computadora se construye en situaciones de enseñanza y de aprendizaje organizadas a través de actividades colaborativas, mediadas por computadora, en las que los estudiantes interactúan organizados en grupos y realizando tareas asignadas por el tutor. Actualmente, se observa su adopción en los contextos educativos de la mayoría de los países y en todos los niveles de enseñanza. Esto se debe a las ventajas que ofrece, principalmente, independizar a estudiantes y docentes de las variables tiempo y espacio, ya que pueden colaborar en cualquier momento y desde cualquier punto geográfico. Sin embargo, no existen garantías respecto a que las experiencias de enseñanza y de aprendizaje en Aprendizaje Colaborativo Soportado por Computadora sean exitosas. Hay numerosas variables que inciden en ese resultado. En este capítulo, a partir de ciertas bases teóricas, conceptuales y epistemológicas, se analizan aspectos que se consideran clave, y se presentan algunos desarrollos para mejorar el desempeño de estudiantes y docentes.

1. Introducción

El Aprendizaje Colaborativo (AC) tiene características y desarrollos que le son propios, lo que permite valorar sus aportes como actividad ampliamente conocida en situaciones de enseñanza y de aprendizaje. Se considera que el AC es un elemento, y hasta una dimensión Pedagógico-Didáctica, que supera la mera instrumentalidad del trabajo en grupo, es decir, aunque es ampliamente conocida su potencialidad y su uso como técnica de trabajo grupal, es fundamental reconocerlo en su concepción más amplia y no sólo como una técnica de trabajo para el aula.

Cuando las experiencias de AC incluyen el uso de medios computacionales, se habla de Aprendizaje Colaborativo Soportado por Computadora (ACSC), que comparte las características esenciales del AC, pero incorpora los beneficios asociados con un soporte tecnológico, particularmente útil para este tipo de aprendizaje, gracias al cual los participantes pueden contribuir desde cualquier lugar y en cualquier momento.

Las experiencias de ACSC apuntan entonces, a entender el aprendizaje como un proceso social de construcción de conocimiento colaborativo, en el que la computadora actúa como un mediador (Zañartu Correa, 2003), que permite la potencia de trabajar con otros, debatir, dialogar y disponer de estrategias de colaboración productivas y efectivas, que posibilita pasar de la elaboración individual y/o cooperativa guiada y dividida, a una forma de trabajar y producir entre todos, con una verdadera participación, implicación, intercambio y negociación de los integrantes del grupo, esto es, un trabajo grupal significativo y genuino.

Este capítulo tiene por finalidad brindar una visión integradora de factores teóricos y prácticos del ACSC, que resulten útiles en los procesos de enseñanza y de aprendizaje. En la próxima sección se desarrollan las bases conceptuales del ACSC y sus principales características, incluyendo la diferenciación entre aprendizajes colaborativo y cooperativo, los fundamentos epistemológicos, la noción de grupo de aprendizaje, el papel del tutor, los roles de equipo, las emociones y la evaluación. En la sección 3 se describen herramientas informáticas desarrolladas para promover mejores desempeños de los actores involucrados en los procesos de enseñanza y de aprendizaje, y al mismo tiempo, propiciar el éxito de las experiencias de colaboración. Las herramientas incluidas se vinculan con la conformación automática de grupos y el reconocimiento automático de: conflictos en diálogos sincrónicos, emociones, y roles de equipo. También se describe una experiencia de coevaluación en un contexto colaborativo. El capítulo finaliza con algunas conclusiones.

2. Bases conceptuales y características del ACSC

2.1 Aprendizaje colaborativo y aprendizaje cooperativo

El AC describe una situación que se da en un grupo, en la que se espera que ocurran ciertas formas de interacción entre sus integrantes que promuevan mecanismos de aprendizaje; pero, sin garantías de que tales interacciones realmente se produzcan (Dillenbourg, 1999). Sin duda, la colaboración promueve el aprendizaje (Dillenbourg, 1999; Stahl, Koschmann & Suthers, 2006) y eso ocurre cuando los estudiantes elaboran explicaciones, comparaciones, síntesis, y son capaces de conectar diferentes ideas a través de sus interacciones (Soller, 2001; Stahl, 2006). Un aspecto muy importante en el AC es que dichas interacciones son negociables (Dillenbourg, 1999). Un estudiante no puede imponer su punto de vista, debe argumentar, justificar y negociar para intentar convencer al resto de sus compañeros de que su postura es la correcta. Así, la premisa subyacente en el AC es la construcción de consenso a través del diálogo entre los miembros del grupo.

En el AC, las situaciones de aprendizaje son particulares y significativas, ya que posibilitan un proceso social de construcción del conocimiento que requiere de interacciones (Salinas, 2000), acuerdos, construcción de consensos (Panitz & Panitz, 1998), comunicación y negociaciones entre todos los integrantes de un grupo (Gros, 2000), lo que les permitirá llegar a un nivel de comprensión más alto que aquel que poseían antes de participar en las actividades colaborativas (Edwards & Mercer, 1987).

Con frecuencia, el AC se confunde con otro tipo de aprendizaje grupal que es el Aprendizaje Cooperativo, incluso, se los suele usar como sinónimos. Sin embargo, es importante destacar que presentan no sólo diferencias en sus características y posicionamientos teóricos (McCarthey & McMahon, 1992; Panitz & Panitz, 1998; Wiersema, 2002; Zañartu Correa, 2003), sino también una profunda diferencia epistemológica. El Aprendizaje Cooperativo se plantea como el trabajo conjunto de un grupo de personas que distribuye la realización de las tareas para concretar una meta (Johnson, Johnson & Johnson Holubeck, 1999); es menester señalar que tal distribución no involucra per se una verdadera colaboración e implicación en el trabajo grupal, cuestión que sí es esencial en el AC ya que, requiere de la interacción y acuerdo entre los estudiantes, para el logro de una meta.

Para Bruffee (1999) existe una linealidad entre ambos aprendizajes, ya que se daría primero el Aprendizaje Cooperativo y, luego, cuando el grupo está más afianzado y desarrollado, se abriría el espacio del AC. No obstante, los autores de este capítulo no concuerdan con dicho planteo, por considerar que se trata de una concepción diferente y hasta disruptiva, ya que ambos tipos de aprendizaje grupal no tienen los mismos objetivos, ni la misma concreción. Pensar en Aprendizaje Cooperativo es pensar en tareas, organización y planificación indicadas y estructuradas por un docente (Zañartu Correa, 2003) y, por lo tanto, hay una dependencia en el trabajo parcializado de los integrantes del grupo. Contrariamente, en el AC se requiere de una interacción necesaria y verdadera para que el aprendizaje se produzca, esta interacción, como ya se explicó, no sólo demanda acuerdos y negociaciones entre distintos puntos de vista, sino también un tiempo necesario para el trabajo grupal y, especialmente, una organización interna en el grupo para el logro de los objetivos.

2.2 Fundamentos epistemológicos

El ACSC surgió, principalmente, de los desarrollos de la Teoría del Aprendizaje Colaborativo; pero, según Roselli (2007), no se trata de una sola teoría sino de un conjunto de líneas teóricas que destacan el valor constructivo de la interacción y de la coordinación entre aprendices. Entre esas líneas se pueden mencionar: la corriente tradicional del Aprendizaje Cooperativo, la Teoría del Conflicto Sociocognitivo, la Teoría de la Intersubjetividad y del Aprendizaje Situado y la Teoría de la Cognición Distribuida (Roselli, 2007).

El ACSC tiene un carácter multidisciplinar (Stahl, Koschmann & Suthers 2006) debido a que implica el reconocimiento de bases teóricas provenientes de: Filosofía, Pedagogía, Didáctica, Psicología e Informática, entre otras.

El ACSC estudia cómo las personas pueden aprender de manera conjunta con la ayuda de las computadoras (Stahl, Koschmann & Suthers 2006), por eso se entiende el aprendizaje como un proceso social (Werstch, 1988; Delgado, 2012), donde la construcción colaborativa del conocimiento se logra con la computadora como una herramienta que permite debatir, dialogar y disponer de estrategias de colaboración productivas y efectivas que faciliten el paso de la elaboración individual, a una forma de trabajar y producir entre todos, en un trabajo grupal significativo y genuino (Zañartu Correa, 2003).

En este acercamiento teórico, la Psicología Educacional aporta, especialmente desde la vertiente soviética del Constructivismo Sociocultural, el marco esencial para la concepción del aprendizaje, ya que para Vigotsky, el desarrollo de los seres humanos sólo se explica en términos de interacción social. En este contexto, cabe mencionar los conceptos de Procesos Psicológicos Superiores (PPS) y Zonas de Desarrollo (ZD). Los PPS tienen su origen en la vida social, es decir, se constituyen a partir de la mediación y la internalización de prácticas sociales y de instrumentos psicológicos creados culturalmente (Vygotsky, 1979). Por su parte, dentro de las ZD se considera la Zona de Desarrollo Próximo (ZDP), esto es, la distancia entre el nivel real de desarrollo, que está determinado por la capacidad de resolver independientemente un problema y el nivel de desarrollo potencial, que se determina a través de la resolución de un problema con la asistencia de un adulto o la colaboración de otro compañero más capaz (Vygotsky, 1979). Es así como se concibe el nivel de desarrollo de partida del aprendiz (el nivel actual o inicial) y la potencialidad del desarrollo (nivel potencial) no sólo desde lo cognitivo, sino también desde lo afectivo motivacional en su unidad (Nieva Chávez & Martínez Chacon, 2019).

2.3 Grupos de aprendizaje

Souto (2007), a partir de la revisión de aportes de diferentes autores y de sus propias investigaciones, propone la existencia del campo de lo grupal, donde surgen procesos grupales específicos y singulares que pueden recorrer trayectos o hacer historias más o menos prolongadas en el tiempo, y lograr grados y tipos de grupalidad muy diversos. A estos procesos grupales se los denomina “grupos”, y están constituidos por un conjunto de personas, en un espacio y tiempo común, con una meta u objetivo, desde una institución convocante, donde se generan espacios de interacción, generan una red de relaciones reales e imaginarias, significaciones compartidas, expectativas mutuas, sentimientos grupales y sentidos de pertenencia que se entrelazan, dándoles su carácter de singularidad a cada grupo.

Además, Souto (2007) plantea aportes didácticos y propone el análisis de lo grupal en las situaciones de enseñanza, utilizando el concepto de “grupo de aprendizaje”, al que define como una estructura formada por personas (estudiantes) que interactúan en un espacio y tiempo común, para lograr individualmente ciertos y determinados aprendizajes, pero, a través de su participación en el grupo. Dichos aprendizajes, que se expresan en los objetivos del grupo, son conocidos y sistemáticamente buscados por el grupo a través de la interacción de sus miembros.

En el ACSC, el concepto de grupo de aprendizaje es esencial. Frecuentemente, los términos grupo y equipo se usan como sinónimos. En particular, en este capítulo se podrán leer ambos términos, considerando que cuando se habla de grupo se le asocian las características que son reconocidas en los equipos.

2.4 El docente tutor en contextos colaborativos

Los sistemas de ACSC cuentan con herramientas de comunicación síncronas y/o asíncronas (chat, foro, email, wiki, videoconferencia, etc.) que no sólo permiten a los estudiantes formar grupos con otros estudiantes ubicados en cualquier punto del planeta, sino que también los habilitan para contribuir al proceso de aprendizaje grupal en cualquier momento del día. Sin embargo, para que los estudiantes tengan una experiencia de aprendizaje significativo, no es suficiente con que sean asignados a un grupo y tengan acceso al soporte tecnológico (Goodyear, Jones, & Thompson, 2014), resulta fundamental que se produzcan ciertos tipos de interacciones sociales (negociar con pares, resolver conflictos, regularse mutuamente, etc. (Schwarz & Asterhan, 2011; Tchounikine, Rummel & McLaren, 2010), que estimulen actividades mentales potencialmente generadoras de beneficios duraderos (Goodyear et al., 2014). Desafortunadamente, las interacciones ideales no ocurren espontáneamente (Schwarz & Asterhan, 2011; Tchounikine et al., 2010; Onrubia & Engel, 2012), e incluso pueden llegar a ser inhibidas por el uso de computadoras (Orvis & Lassiter, 2006). Por lo expuesto, resulta imprescindible la oportuna intervención de los docentes, a fin de coordinar los procesos colaborativos de los estudiantes y promover interacciones que propicien la construcción colaborativa del conocimiento (Orvis & Lassiter, 2006; Goodyear, 2014). La principal preocupación de los tutores en ACSC debería ser facilitar las interacciones estudiante-estudiante, prestando atención a las condiciones y procesos grupales que pueden interrumpir o inhibir las relaciones entre ellos (Orvis & Lassiter, 2006).

En la enseñanza online se han utilizado varios términos para describir la tarea de los docentes, por ejemplo: e-tutor, e-teacher, cyber moderador, e-moderador, tutor virtual, instructor y tutor online. Estos términos en algunas ocasiones implican tareas similares y se utilizan indistintamente, pero en otras, sus significados son divergentes. De acuerdo con Muñoz Carril, Sanmamed, & Hernández Sellés (2013), se pueden distinguir tres perfiles docentes en ambientes de e-learning: el profesor (un experto en la materia que se encarga de planear la metodología y las actividades), el tutor (un consejero o guía para los estudiantes) y el equipo de administración (a cargo de los aspectos tecnológicos y administrativos). De los tres perfiles mencionados, es el rol tutor quien debe involucrarse activamente en las experiencias de ACSC, actuando como un moderador o facilitador que promueva y coordine las discusiones grupales a fin de alcanzar los objetivos y resultados esperados (Coll, Rochera, & de Gispert, 2014; Borges & Baranauskas, 2003). Esta participación es clave para el desarrollo de las habilidades de razonamiento y pensamiento en los estudiantes (solución de problemas, metacognición, y pensamiento crítico), y también para ayudarlos a convertirse en estudiantes independientes y autodirigidos (Dorner, 2010).

En un entorno de ACSC, contar con un ambiente social positivo es importante y, cuando no ocurre, los estudiantes pueden, por ejemplo, experimentar sensación de soledad (Lazareva, 2017). Así, el docente tutor no sólo tiene que proveer indicaciones sobre el contenido conceptual, sino que también tiene que establecer la presencia social. Sin duda, los tutores con sus intervenciones pueden incrementar el nivel de interacción y promover la vinculación de los estudiantes con sus pares (De-Smet, Van Keer, & Valcke, 2008).

Con frecuencia se afirma que uno de los principales motivos del fracaso del e-learning y del alto índice de abandono de los estudiantes, es la falta de capacitación de los docentes que usan tecnología para enseñar (Trentin, 2006; Wolf, 2006; Bigatel, Ragan, Kennan, May, & Redmond, 2012). Los cursos online son exitosos en la medida que los docentes están equipados con habilidades que complementan su experiencia con los contenidos de la materia (Mayende, Prinz, Isabwe, & Muyinda, 2015; Kopp, Matteucci, & Tomasetto, 2012; Lorenzo, 2018). Por consiguiente, para coordinar adecuadamente los procesos de colaboración online es necesario que los tutores sean capacitados en las competencias y habilidades les permitan desempeñarse como tutores eficaces (Kopp et al., 2012; Gulbahar & Kalelioglu, 2015; Shepherd, Bolliger, Dousay, & Persichitte, 2016; Bonk, Wisher, & Lee, 2004; De-Smet et al., 2008).

Si bien se reconoce que las intervenciones de los docentes pueden tener impacto positivo en la forma en que los estudiantes colaboran y en la calidad de producciones grupales, también se sostiene que no existen estudios detallados sobre tales intervenciones y sus efectos sobre la interacción social y la construcción de conocimiento (Greiffenhagen, 2012; Orvis & Lassiter, 2006; Olivares, 2007; Van-Leeuwen, Janssen, Erkens, & Brekelmans, 2013; Matteucci et al, 2010). Para Van-Leeuwen et al (2013) no existe suficiente evidencia sobre qué tipo de actividades de los docentes son efectivas y, para Olivares (2007), las estrategias de enseñanza evaluadas han conducido a resultados inconsistentes.

La falta de claridad sobre los procesos y procedimientos asociados con la enseñanza en ACSC lleva a la confusión y al establecimiento de expectativas incompatibles tanto para los estudiantes como para los tutores (Abdous, 2011). Además, un acabado entendimiento sobre las habilidades requeridas por los tutores de ACSC permitiría: brindar directrices sobre cómo los tutores de ACSC podrían seleccionarse y capacitarse (Muñoz Carril et al, 2013; Baran, Correia, & Thompson, 2011), (en aquellos casos en que los docentes no tuvieran las habilidades requeridas, estas directrices servirían para delinear estrategias de capacitación); establecer un marco de referencia que permita tomar decisiones de tipo académico administrativo (mantenimiento y/o promoción, otorgamiento de incentivos económicos, etc.), que involucren al cuerpo docente que se desempeña en entornos de ACSC (Salinas, 2017); establecer un marco de referencia que permita a los tutores no sólo reflexionar sobre su desempeño actual sino también establecer las bases para un programa de capacitación (Muñoz Carril et al, 2013; Abdous, 2011) y, finalmente, diseñar sistemas de ACSC que soporten apropiadamente la tarea de los tutores (Lund, 2004; Carnerud, 2014; Baran et al, 2011).

2.5 Las emociones en el aprendizaje

A partir de la década del 90 se experimentó el crecimiento de estudios sobre las emociones con un enfoque científico, de naturaleza interdisciplinaria. A través de estos estudios se determinó que la cognición y las emociones están intrínsecamente relacionadas (Cialdini, 2000; Ekman, 2004; Frasson & Chalfoun, 2010; Kort et al., 2001) que pueden influenciar drásticamente sobre el rendimiento de una persona (Damasio, 1994) y que juegan un rol esencial en la atención y en la memoria (Frasson & Chalfoun, 2010), en el juicio, en la toma de decisiones y en la resolución de problemas creativos (Isen, 2000).

Las emociones son facilitadoras o inhibidoras del aprendizaje. Las emociones positivas, como la alegría o la felicidad, favorecen el aprendizaje, dado que mejoran la motivación y la tolerancia al riesgo en la toma de decisiones (Dore, 2016) y facilitan el esfuerzo y la persistencia (Linnenbrink-Garcia, Rogat & Koskey, 2011). Se reconoce también que niveles elevados de emociones positivas pueden llevar a la complacencia, por lo que un poco de ansiedad e intensidad podría ser ventajoso para el aprendizaje (Dore, 2016).

En cambio, las emociones negativas, tales como el miedo, el enojo, la frustración, la desilusión, etc., se vinculan con el efecto inhibitorio del aprendizaje. Está demostrado que generan mayor adversidad al riesgo (Dore, 2016), socavan el compromiso (Linnenbrink-Garcia et al, 2011) e, incluso en casos extremos, pueden llevar al estudiante a abandonar sus estudios (Capdeferro & Romero, 2012).

Dada la influencia que tienen las emociones en el proceso de aprendizaje, resulta importante que los desarrolladores de entornos de e-learning y los profesionales que los utilizan, consideren la influencia de los estados emocionales en las experiencias de enseñanza y de aprendizaje (Lescano, Santana Mansilla & Costaguta, 2014).

En los últimos años hubo un incremento notorio en el empleo de plataformas de e-learning para dar soporte a los procesos de enseñanza y de aprendizaje. La comunicación en estos entornos se basa, preferentemente, en el uso de medios textuales: correo electrónico, mensajes, herramientas de chats, foros, etc. Esta forma de comunicación limita la cantidad de intercambios no verbales; por lo tanto, el éxito y la efectividad de los estudiantes, está supeditada a la habilidad que tengan en el uso de tecnologías para comunicarse y colaborar. Para ser competentes en este contexto, los estudiantes deben aprender a desarrollar habilidades que faciliten la comunicación y la colaboración independientemente de la distancia y del tiempo (Sere, 2011).

En ACSC, la ausencia de señales no verbales que transmiten información afectiva impacta en la capacidad de generar cohesión grupal, en las relaciones entre los integrantes, en los sentimientos de confianza, pertenencia y satisfacción, todas precondiciones para obtener un buen desempeño grupal (Nam, 2014).

Gracias a los avances de la tecnología, hoy en día es posible reconocer las emociones de las personas de manera automática, con un grado de precisión aceptable (Lescano & Costaguta, 2015). Desde el punto de vista computacional, existen dos tipos de métodos que facilitan este reconocimiento: unos están basados en el análisis de señales bio-fisiológicas y otros en el análisis del comportamiento motor.

Los métodos del primer tipo permiten reconocer emociones sobre la base del análisis de las señales eléctricas que producen el cerebro, el corazón, los músculos y la piel. Ofrecen la ventaja de que, al ser señales involuntarias, posibilitan medir los estados afectivos de manera continua y reconocerlos tan pronto como ocurren. Sin embargo, una falla potencial de estos métodos es que son invasivos y dificultan la experiencia del usuario (Feidakis, 2016), además, requieren de equipamiento especializado que generalmente es costoso. Por su parte, los métodos basados en el comportamiento motor permiten reconocer emociones analizando comportamientos y cambios físicos en el cuerpo de quien comunica la experiencia emocional. Estos métodos ofrecen la ventaja de poder evaluar estados afectivos a partir del uso de dispositivos fácilmente disponibles para los estudiantes, como ser: cámaras, micrófonos, mouses y teclados (Feidakis, 2016).

Los avances en computación ofrecen en la actualidad la posibilidad de reconocer emociones automáticamente. En general, para lograr esta tarea se recurre a la minería de datos (Cios, Pedrycz, Swiniarski, & Kurgan, 2007). Para dar sentido a los datos, en una etapa del proceso se recurre a algoritmos de aprendizaje de máquina que permiten detectar patrones de manera automática y luego usarlos para predecir datos futuros o realizar otro tipo de toma de decisiones bajo incertidumbre (Murphy, 2012). Estas técnicas se emplean para construir modelos a partir señales fisiológicas, expresiones faciales, posturas, gestos, voz, textos, interacciones y acciones del alumno en una plataforma de aprendizaje. La precisión de los modelos construidos varía en función de las alteraciones que se realicen en la etapa de preprocesamiento, en la que se preparan los datos, fundamentalmente en los criterios empleados para la selección de características (elementos que permitirán realizar la predicción).

2.6 Los roles de equipo

El concepto de rol se define como un conjunto de patrones de comportamientos esperados y atribuidos a alguien que ocupa una posición determinada en una unidad social (Linton, 1945; Yinder, 1965; Aritzeta & Ayestaran, 2003). Desde la perspectiva psicosocial el rol considera un constructo cognitivo que prescribe, anticipa y predice el comportamiento de un individuo (Katz & Khan, 1978; Hontangas & Peiro, 1996).

Para analizar el desempeño de un grupo de aprendizaje en ACSC, resulta apropiado observar, entre otros aspectos, los roles de equipo que tienen lugar cuando se producen interacciones dentro del grupo. Una adecuada manifestación de los roles de equipo es vital para que los miembros realicen un trabajo coordinado y, de esta manera, la experiencia de aprendizaje resulte exitosa.

Si bien las conductas de un individuo en un equipo pueden ser infinitas, el rango de conductas que permiten una contribución efectiva cuando se trabaja en grupo es finito (Belbin, 2001; Belbin, 1996). La Teoría de Roles de Equipo (Belbin, 1996; Belbin, 2001) establece la existencia de nueve conductas o roles diferentes: cerebro, especialista, coordinador, cohesionador, impulsor, implementador, investigador de recursos, finalizador y monitor-evaluador. Ros Guasch en (2006) brinda información detallada sobre los comportamientos asociados con cada rol.

Los roles que un estudiante asume durante la dinámica de colaboración pueden ser naturales (propios de su persona y entonces aparecerán espontáneamente), o asumidos porque le resultan necesarios en determinadas circunstancias. Asimismo, hay roles que el alumno prefiere evitar, simplemente, porque no se siente cómodo desenvolviéndose en ese rol (Belbin 2001).

El trabajo en equipo mejora, cuando los roles de cada miembro del grupo están claramente definidos y sus actividades en el grupo están delimitadas (Belbin, 1996). La ausencia de uno de los roles de equipo debilita al grupo, pero la redundancia de un rol puede llevar a consecuencias no deseables para el buen funcionamiento, por eso, es necesario lograr un equilibrio en la manifestación de los roles de equipo dentro del grupo de aprendizaje (Belbin, 2001).

2.7 La evaluación

La evaluación de la colaboración puede efectuarse de diversas formas, en (Martínez Mirón & Gamboa Rodríguez, 2007) se describen algunas de ellas. Por ejemplo, mencionan el análisis del discurso, donde se categoriza y contabiliza el número de interacciones de cada estudiante. Esta técnica presenta como desventajas el tiempo requerido para el análisis y la adecuada definición de la granularidad de las categorías a considerar. También mencionan la técnica de diagramas de rastreo, que se usan para medir variables como: división de la tarea, traslape, y marcha hacia atrás. En esta técnica no se considera adecuadamente la variable tiempo, por lo que puede usarse como complemento de la técnica anterior.

Otra propuesta consiste en tener en cuenta la percepción de los estudiantes. Esta perspectiva subjetiva puede concretarse mediante tres formas: autoevaluación, coevaluación y heteroevaluación (Sanmartí, 2007).

La autoevaluación supone que el estudiante realice juicios de valor sobre sus propios logros y resultados de aprendizaje a fin de desarrollar su criterio de honestidad y autocrítica. En el contexto colaborativo, la autoevaluación es una herramienta que permite a cada estudiante identificar las aportaciones que realizó durante el proceso y su percepción de sí mismo como integrante del grupo (Sanmartí, 2007).

La coevaluación considera una evaluación basada en criterios predefinidos que servirán para evaluar el desempeño y la calidad de los compañeros, donde todos los miembros del grupo cumplen el rol de evaluado y evaluador. En el primero, el estudiante es evaluado según la percepción de los demás integrantes del grupo; mientras que, en el segundo, el estudiante realiza una crítica constructiva hacia el desempeño de sus compañeros. Lo que se busca en este tipo de evaluación es fomentar una retroalimentación beneficiosa para todas las partes. Para Sanmartí (2007), la coevaluación es la contribución del alumnado, junto con la evaluación que realizan los tutores y el profesorado, al proceso de autoevaluación propuesto en primer lugar.

La heteroevaluación, es el proceso tradicional en el que el tutor es el responsable directo de la evaluación, y por ende, de la calificación que reciba cada uno de los estudiantes. Sin embargo, también puede ser realizada por alguien más, siempre y cuando sea una persona distinta a los estudiantes (Sanmartí, 2007).

3. Aplicaciones en contextos reales

3.1 Conformación automática de grupos

Para la formación de grupos de aprendizaje ACSC, se consideran diferentes criterios, algoritmos y fundamentos (Costaguta, 2015). Uno de esos criterios es el estilo de aprendizaje, que refleja el modo de actuar del alumno cuando lleva a cabo diferentes actividades para lograr un objetivo de aprendizaje (Felder & Silverman, 1988). El problema es que la formación de grupos teniendo en cuenta los estilos de aprendizaje demanda mucho tiempo al docente, dado que debe considerar las distintas alternativas de grupos que podrían generarse, esto es más complicado cuando la cantidad de alumnos aumenta.

Considerando los estilos de aprendizaje definidos en el modelo de Felder y Silverman (1988): activo/reflexivo, sensitivo/intuitivo, visual/verbal y secuencias/global; se desarrolló un algoritmo genético para agrupar a los estudiantes. El objetivo del algoritmo es lograr que la mayor cantidad de grupos creados obtengan buenas evaluaciones (es decir, notas mayores a 7).

Un algoritmo genético es un tipo de algoritmo que permite resolver un problema inspirándose en la idea biológica de la evolución y supervivencia del más apto (Goldberg, 1989). Estos algoritmos empiezan utilizando un conjunto de soluciones posibles, cada una de las cuales se asemeja a un cromosoma desde el punto de vista genético, y evoluciona hasta generar mejores soluciones. El conjunto de soluciones iniciales recibe el nombre de población. Para evaluar la bondad de una solución se usa una función conocida como fitness.

El algoritmo genético desarrollado para realizar el agrupamiento de estudiantes, parte de soluciones iniciales aleatorias factibles e intenta imitar lo que ocurre en el mundo natural, empleando operadores de selección de padres, cruzamiento y mutación, en sucesivas aplicaciones sobre la población produciendo nuevas generaciones. La Figura 1 esquematiza su funcionamiento.

En particular, cada solución se representó mediante una lista de números enteros en la que cada elemento de la lista equivale a un estudiante. La lista a su vez se divide en sub-listas de longitud k, siendo k, la cantidad de integrantes que conforman cada grupo (valor especificado por el profesor).

Figura 1. Representación esquemática del funcionamiento del algoritmo genético creado

Para evaluar las soluciones factibles, la función de fitness empleada procura maximizar la cantidad de grupos que obtienen buenas calificaciones. La salida de esta función produce un valor entre 0 y 1. Cuanto más cercano a 1 es el valor, mejor es el agrupamiento generado, es decir, todos los grupos obtuvieron buenas calificaciones. Para predecir cuándo un grupo obtendrá buenas calificaciones, la función fitness considera los resultados obtenidos en un trabajo de investigación previo, (Costaguta, Menini & Lescano, 2016), en el que mediante técnicas de minería de datos aplicadas a datos históricos de grupos colaborativos, se pudieron descubrir las combinaciones de estilos de aprendizaje presentes en grupos que obtuvieron buenas calificaciones.

La evaluación del algoritmo genético arrojó resultados promisorios ya que los valores de la función fitness tendieron a ser cercanos a 1, es decir, a los valores óptimos. Esto muestra la factibilidad de emplear algoritmos genéticos para construir grupos teniendo en cuenta el estilo de aprendizaje de los estudiantes. En Lescano et al (2016) se describen con detalle el algoritmo genético creado y las alternativas probadas en la definición de los operadores genéticos de selección, cruzamiento y mutación.

3.2 Reconocimiento de conflictos en diálogos sincrónicos

La coordinación de interacciones grupales no es una tarea sencilla, ya que el análisis manual de interacciones en búsqueda de problemas grupales demanda mucho tiempo y esfuerzo. Esta situación se agrava cuando los tutores deben coordinar varios grupos y cuando se usan herramientas de comunicación sincrónica (chat, videoconferencia, audioconferencia, etc.) (Trausan-Matu, Dascalu & Rebedea, 2014; Dönmez, Rosé, Stegmann, Weinberger, & Fischer, 2005). En los diálogos sincrónicos los patrones de comunicación son dinámicos, el marco temporal es significativamente corto, y la coordinación de las interacciones debe realizarse en tiempo real (Schwarz & Asterhan, 2011). Además, con frecuencia el registro de actividades y eventos en los entornos de ACSC suelen ser de bajo nivel de abstracción dificultando al tutor comprender lo que sucede durante las actividades de aprendizaje (Harrer, Hever & Ziebarth, 2007; Chen & Wasson, 2005).

Para simplificar la tarea de análisis manual de las interacciones en los entornos de ACSC, generalmente se recurre al uso de interfaces semi estructuradas (oraciones de apertura, interfaces basadas en menú, interfaces basadas en diagramas, etc.). Sin embargo, algunas investigaciones sostienen que estas interfaces impactan negativamente en la colaboración porque restringen los tipos de actos comunicativos, provocan que la comunicación sea lenta (Chen & Wasson, 2005; Constantino-González, Suthers & Escamilla-De-Los-Santos, 2003) y crean estrés (Olivares, 2007). Además, si los estudiantes no hacen un uso correcto de las interfaces, los tutores pueden tener una idea equivocada de lo que sucede en las actividades grupales (Chen & Wasson, 2005; Constantino-González et al., 2003; Tchounikine, 2010).

Teniendo en cuenta las deficiencias de las interfaces semi estructuradas y el esfuerzo requerido para realizar el análisis manual de las interacciones grupales, se combinaron técnicas de minería de texto con agentes de software, lo que permitió desarrollar una herramienta que detecte problemas grupales y notifique su ocurrencia a los tutores, sin que el análisis automático afecte negativamente la dinámica de trabajo de los estudiantes o los tutores, ni represente una sobrecarga de trabajo (Santana-Mansilla, Costaguta & Missio, 2014). Los problemas grupales sobre los que los tutores reciben alertas por parte de los agentes de software responden a las categorías del método Análisis del Proceso de Interacción (Interaction Process Analysis – IPA) (Bales, 1951).

Existen seis categorías de problemas en IPA: comunicación, evaluación, control, decisión, reducción de tensión y reintegración. Para la detección automática de estos problemas, se crearon específicamente algoritmos de clasificación de minería de textos. El entrenamiento de los clasificadores se efectuó con interacciones provenientes de foros reales con interacciones de estudiantes de la UNSE, utilizando interfaces de texto libre. Se recolectaron 2564 interacciones cuyo contenido se analizó siguiendo los lineamientos de Krippendorf (2004) y dos psicopedagogos indicaron para cada interacción la conducta IPA que reconocían. El grado de acuerdo entre los dos psicopedagogos fue de a=0.99.

La construcción de los clasificadores de conductas IPA se realizó siguiendo la metodología CRISP-DM (Chapman et al., 2000). Los clasificadores se construyeron mediante los algoritmos SVM, C45, Winnow balanceado y Näive Bayes, y se evaluaron con las métricas de precisión, recall y accuracy, calculadas con los métodos hold-out y validación cruzada 10-fold. En Colmán (2021), se documenta el análisis de los valores de precisión, recall y accuracy para los 91 modelos construidos. Los resultados obtenidos indican que la mejor opción, para construir los clasificadores de conductas IPA, es el algoritmo Naïve Bayes.

Utilizando la metodología INGENIAS (Pavón & Gómez-Sanz, 2003), se implementaron en Java dos agentes de software que hacen uso de las conductas reconocidas por los clasificadores construidos: un agente detector (AD) y un agente de alerta (AdA). El AD utiliza las conductas IPA reconocidas en los foros, para realizar los cálculos estadísticos que permiten determinar si se presenta alguno de los 6 tipos de problemas IPA. Detectado un problema, el AD informa al AdA el tipo de problema detectado, para que sea el AdA quien notifique al tutor.

Finalmente, clasificadores y agentes de software se implementaron en la herramienta de foro colaborativo phpBB[1]. Para validar el funcionamiento se realizaron experiencias colaborativas online con docentes y estudiantes reales. En la Figura 2 se visualiza un ejemplo de una notificación de ocurrencia de problema mostrado al tutor, quien analizará la situación puntual y decidirá cómo actuar para resolver el problema detectado.

Figura 2. Ejemplo de notificación de problema IPA

3.3 Reconocimiento de emociones

Lograr que en ACSC los tutores sean conscientes de las emociones de sus estudiantes a fin de intervenir oportunamente, se torna difícil por la escasez de información afectiva disponible (Lescano, Costaguta & Amandi, 2020).

Para dar soporte a los profesores en la tarea de reconocer emociones, se desarrolló un modelo de aprendizaje de máquina supervisado, que permite detectar emociones a partir del análisis de las interacciones basadas en texto, que mantienen los estudiantes durante las experiencias colaborativas. Para el modelo realizado se tuvieron en cuenta 26 características: la presencia de verbos principales en primera persona, verbos principales en primera persona del plural, adverbios de grado, adverbios dubitativos, adverbios de modo, verbos principales en imperativo, verbos principales en segunda persona, verbos principales en tercera persona, entre otras. Se aplicaron técnicas de procesamiento de lenguaje natural, tales como lematización y etiquetado de partes del habla, se evaluaron siete técnicas de aprendizaje de máquina adecuados para dominios de números reales: regresión logística, máquinas de soporte vector (SVM), Naive Bayes multinomial, Naive Bayes complementario, los vecinos cercanos (KNN), Random Forest y redes neuronales multicapa.

Para evaluar los modelos se recolectaron las interacciones que los estudiantes manifestaron durante diálogos colaborativos haciendo uso de la aplicación Collab (Lescano & Costaguta, 2018). Los modelos se evaluaron teniendo en cuenta las métricas de precisión, recall y F1. Por su parte, los resultados obtenidos respaldan la validez del desarrollo para reconocer emociones en textos escritos en español. El modelo basado en SVM logró los mejores resultados, con una precisión, recall y F1 del 90% reconociendo sentimientos positivos y precisión fue de 73%, el recall de 71% y el F1 de 72%, para sentimientos negativos. Mayores detalles acerca de la construcción de los modelos y de las pruebas realizadas se pueden encontrar en (Lescano et al, 2020).

3.4 Reconocimiento de roles

La importancia de una adecuada manifestación de roles de equipo para lograr experiencias de aprendizaje exitosas se mencionó en la sección 2.6. Sin embargo, actualmente no existen en el contexto del ACSC herramientas de software creadas para reconocerlos de manera automática. Por ello, se desarrolló un sistema inteligente basado en agentes (SIBA).

SIBA funciona bajo la Plataforma Simple Machine Forums, por lo que, se tomó como base su funcionalidad y se efectuaron las modificaciones necesarias para integrar el sistema inteligente y llevar a cabo el reconocimiento automático de roles de equipo. El desarrollo del SIBA se realizó conforme a la Metodología GAIA (Wooldridge, 2000). Siguiendo dicha metodología, el primer paso fue especificar los requerimientos a satisfacer. A partir de los requerimientos, en la fase de Análisis, se determinaron las funciones del sistema y la comunicación necesaria entre estas funciones. Así se definieron dos subsistemas: 1. Gestión de comportamientos, que captura las interacciones que los estudiantes de cada grupo realizan cuando utilizan la interfaz de comunicación asíncrona (foro de discusión con frases disparadoras); y 2. Gestión de Perfiles, que consiste en la aplicación de una Red Bayesiana, para reconocer los roles de equipo manifestados por los estudiantes, según las interacciones suministradas por el subsistema de Gestión de comportamientos. La finalidad es que con los roles detectados se mantenga actualizada la información de perfiles de estudiantes y se alerte al profesor sobre los roles que los estudiantes manifiestan dentro de cada grupo colaborativo. En el Diseño, siguiente etapa de Gaia, se definieron los agentes necesarios para llevar a cabo las actividades de cada subsistema: un Agente Gestor (AG) para cada grupo y un agente de Redes Bayesianas por cada estudiante (ARB). En total se crearon 9 redes bayesianas para contemplar los comportamientos asociados con cada rol de Belbin y se modelaron a través de las frases disparadoras, para poder inferir el rol manifestado por el estudiante en cada interacción. El diseño se completó con la especificación de la base de datos, definiendo las tablas que la conforman: Frases disparadoras, Comportamientos y frases asociadas, Interacciones, Interacciones por grupo y perfiles. Para finalizar el proceso de desarrollo del sistema inteligente se realizó la implementación en el lenguaje PHP.

La estructura de SIBA se visualiza en la Figura 3. Cuenta con dos tipos de agentes: un Agente Gestor (AG) para cada grupo y un agente de Redes Bayesianas por cada estudiante (ARB). Los estudiantes de cada grupo interactúan en el foro con otros estudiantes para realizar la tarea encomendada y todas las interacciones son almacenadas en la tabla TI. El AG, monitorea los grupos de estudiantes recuperando y ordenando las interacciones almacenadas por el sistema para crear una tabla de Interacciones de cada grupo (TIG). Cada estudiante cuenta con su propio agente personal ARB que, valiéndose de redes bayesianas especialmente creadas, y de la información contenida en la TIG, realiza la detección automática de los roles que cada estudiante haya manifestado durante la dinámica de colaboración. Esta información es almacenada creando el rol de equipo de cada estudiante, en la tabla de Perfiles (TP).

Figura 3. Sistema inteligente desarrollado

Para validar el funcionamiento de SIBA se realizaron cuatro experiencias con estudiantes reales, en las que se recolectaron 557 interacciones. La eficacia en el reconocimiento automático de los roles de equipo efectuado por la herramienta se evaluó mediante las métricas precisión y recall, los resultados fueron satisfactorios ya que el 75% de los valores para precisión y el 100% de los calculados para recall superaron 0.6. La información detallada sobre el desarrollo y prueba de la herramienta pueden encontrarse en (Figueroa, Costaguta, Menini & Missio, 2019).

3.5 Experimentando con coevaluación

En el apartado 2.7 se mencionaron tres formas de evaluación de los estudiantes, entre éstas, la coevaluación o evaluación entre pares, que es la que se tomará en cuenta en esta experimentación. Las ventajas de usar este tipo de evaluación se visualizan en mejorar las habilidades del pensamiento complejo (Barak & Dori, 2009), habilidades metacognitivas como la conciencia (Lai & Hwang, 2015), y el incremento de la autonomía (McMahon, 2010). A continuación, se describe la herramienta CoAsT, por sus siglas Collaborative Assessment Tool, que permite retroalimentar a los estudiantes sobre su participación como integrantes del grupo y los concientiza sobre la necesidad de producir mejoras en sus desempeños.

CoAsT es una herramienta web de coevaluación entre pares (Martínez-Mirón, González-Ramos, Hernández-Beristain,Gómez-Larios & Sánchez-Román, 2018) que permite valorar la colaboración de los integrantes del equipo tomando en cuenta la percepción personal de cada miembro respecto de la participación de sus compañeros, buscando incentivar al mismo tiempo la participación de los estudiantes.

Los criterios o factores de evaluación que usa CoAsT son: responsabilidad y roles, lo que se refiere a valorar el cumplimiento de las actividades asignadas a los estudiantes, sus desempeños acorde con el papel asignado y si esto se vio reflejado de manera positiva en el grupo; plan de acción, considera qué tanto se apegó al plan trazado inicialmente para lograr el objetivo; relaciones/confianza, estima si el estudiante logró vínculos con los demás integrantes del grupo, basadas en el respeto y la colaboración; comunicación interna, evalúa si se estableció una conexión informativa en la que se comuniquen avances, dudas o problemas encontrados para mantener a los demás integrantes del grupo al tanto de la labor; e inclusión y participación, aprecia si el alumno se integró al equipo con una actitud positiva e incitó a los demás a unirse, así como si formó parte activa de las decisiones y soluciones planteadas durante el proceso colaborativo. En la Figura 4, pueden observarse las notas que los compañeros asignaron a una estudiante (Rosa) en cada uno de los factores; así como retroalimentación sugerida para mejorar su desempeño.

Figura 4. Ejemplo de coevaluación de un estudiante mediante CoAst

Para obtener retroalimentación sobre el uso de CoAsT se realizó una encuesta a tres grupos de estudiantes de la Facultad de Ciencias de la Computación, de la Benemérita Universidad Autónoma de Puebla, México. En total se obtuvieron 61 respuestas, destacando lo siguiente: el 45% considera que CoAsT es una plataforma que puede servir para retroalimentar a los integrantes de un grupo sobre su desempeño, mientras que el 35% cree que ayuda a mejorar su propio desempeño en el trabajo en equipo, a su vez, 18% opina que ayuda en la obtención de una calificación más justa cuando se trabaja en grupo. Con relación a los aspectos a mejorar, el 34% de los estudiantes opinó que debería reducirse el número de errores que se presentan en la plataforma (confiabilidad), así como, las acciones que la plataforma permite como calificar o revisar puntajes (funcionalidad). Por otro lado, el 20% de las respuestas indicaron que debe mejorarse la usabilidad, o sea, desde su perspectiva, las instrucciones o guías que se ofrecen son insuficientes, mientras que el resto, estima mejoras en otros aspectos. Finalmente, entre los comentarios más recurrentes resaltan el objetivo principal de CoAsT, es decir la evaluación entre pares, pero encuentran algunas deficiencias desde el punto de vista de la usabilidad.

4. Conclusiones

En este capítulo se analizaron aspectos propios de las bases teóricas, conceptuales y epistemológicas del ACSC. También se presentaron algunos desarrollos tendientes a mejorar el desempeño de estudiantes y docentes. Conforme con lo investigado, quedó claro que no existen garantías que aseguren el éxito en las experiencias de ACSC, dado que son muchas las variables involucradas en ese resultado.

Sin duda, las herramientas desarrolladas constituyen aportes importantes para lograr los objetivos de enseñanza y de aprendizaje, no obstante, por tratarse de un área en constante crecimiento, se considera que el ACSC es un campo fértil para generar numerosas e innovadoras aplicaciones desde las Ciencias de la Computación.

Principalmente, las tendencias que se observan en la actualidad tienen que ver con: el uso de técnicas de aprendizaje de máquina y de minería de datos, el análisis de sentimientos, la creación de tutores artificiales, el monitoreo inteligente de la dinámica grupal, y la inclusión de realidad aumentada y virtual, entre otras. La realidad demuestra que el ACSC tiene un futuro promisorio.

5. Referencias

  • Abdous, M. (2011). A process-oriented framework for acquiring online teaching competencies. Journal of Computing in Higher Education, 23(1), 60–77.
  • Aritzeta, A., & Ayestaran, S. (2003). Aplicabilidad de la Teoría de Roles de Equipo de
  • Belbin: un estudio longitudinal comparativo con equipos de trabajo. Revista Psicología General y Aplicaciones, 56(1), 61–75.
  • Bales, R. F. (1951). Interaction Process Analysis – A Method for the Study of Small Groups. USA: Addison-Wesley.
  • Baran, E., Correia, A.-P., & Thompson, A. (2011). Transforming online teaching practice: critical analysis of the literature on the roles and competencies of online teachers. Distance Education, 32(3), 421–439.
  • Barak, M., & Dori, Y. J. (2009). Enhancing Higher Order Thinking Skills among Inservice Science Teachers via Embedded Assessment. Journal of Science Teacher Education, 20(5), 459–474
  • Belbin, M. (2001). Managing without Power. Butterworth-Heinemann, Oxford.
  • Belbin, M. (1996). Team Roles at Work (2nd. ed.). Butterworth- Heinemann, Oxford.
  • Bigatel, P. M., Ragan, L. C., Kennan, S., May, J., & Redmond, B. F. (2012). The identification of competencies for online teaching success. Journal of Asynchronous Learning Network, 16(1), 59–78.
  • Bonk, C. J., Wisher, R. A., & Lee, J. (2004). Moderating learner-centered e-learning: Problems and solutions, benefits and implications. In Tim S. Roberts (Ed.), Online collaborative learning Theory and practice. 54–85. Hershey, PA: Information Science Publishing
  • Borges, M. A. F., & Baranauskas, M. C. C. (2003). CollabSS: A tool to help the facilitator in promoting collaboration among learners. Educational Technology and Society, 6(1), 64–69.
  • Bruffee, K. (1999). Collaborative learning: higher education, interdependence and the authority of knowledge. Baltimore (Maryland EEUU): Johns Hopkins University Press.
  • Capdeferro, N., & Romero, M. (2012). Are Online Learners Frustrated with Collaborative Learning Experiences? The International Review of Research in Open and Distance Learning, 13(2), 26–44.
  • Carnerud, D. (2014). Exploration of text mining methodology through investigation of QMOD-ICQSS proceedings. In S. M. Dahlgaard-Park & J. J. Dahlgaard (Eds.), 17 th QMOD-ICQSS Proceeding. Czech Republic: Lund University Library Press
  • Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Rudiger, W. (2000). CRISP-DM 1.0: Step-by-step data minning guide. In CRISP-DM Consortium.
  • Chen, W., & Wasson, B. (2005). Intelligent Agents Supporting Distributed Collaborative Learning. In F. Lin (Ed.), Designing Distributed Learning Environments with Intelligent Software Agent. 33–66. Hershey PA: IGI Global.
  • Cialdini, R. (2000). Influence: Science and Practice. United States: Allyn & Bacon.
  • Cios, K. J., Pedrycz, W., Swiniarski, R. W., & Kurgan, L. A. (2007). Data Mining: A Knowledge Discovery Apprach. Springer Berlin Heidelberg.
  • Coll, C., Rochera, M. J., & de Gispert, I. (2014). Supporting online collaborative learning in small groups: Teacher feedback on learning content, academic task and social participation. Computers & Education, 75, 53–64.
  • Colman, M. C. (2021). Detección de conflictos grupales IPA mediante minería de texto en foros de ACSC. Trabajo Final de Graduación. Universidad Nacional de Santiago del Estero, Argentina.
  • Constantino-González, M. de L. A., Suthers, D. D., & Escamilla De Los Santos, J. D. (2003). Coaching Web-based Collaborative Learning based on Problem Solution Differences and Participation. International Journal of Artificial Intelligence in Education, 13(2–4), 263–299.
  • Costaguta, R. (2015). Algorithms and Machine Learning Techniques in Collaborative Group Formation. Advances in Artificial Intelligence and Its Applications, 9414, 249–258.
  • Costaguta, R., Menini, M. de los Á., & Lescano, G. (2016). Applying Data Mining to Discover Successful Collaborative Groups Styles. 2016 8th Euro American Conference on Telematics and Information Systems (EATIS). Cartagena, Colombia: IEEE.
  • Damasio, A. R. (1994). Descartes’ error: emotion, reason, and the human brain. New York, United States: Grosset/Putnam.
  • Delgado, M. Arrieta, X., & Camacho, H. (2012). Comparación de teorías relacionadas con la formación de conceptos científicos. Multiciencias, 12(4),416-426. [Fecha de Consulta 03 de Julio de 2021]. Disponible en: https://www.redalyc.org/articulo.oa?id=90428396005
  • De-Smet, M., Van Keer, H., & Valcke, M. (2008). Blending asynchronous discussion groups and peer tutoring in higher education: An exploratory study of online peer tutoring behaviour. Computers and Education, 50(1), 207–223.
  • Dillenbourg, P. (1999). What Do You Mean by ‘Collaborative Learning? Collaborative Learning Cognitive and Computational Approaches. 1(6), 1-13.
  • Dönmez, P., Rosé, C., Stegmann, K., Weinberger, A., & Fischer, F. (2005). Supporting
  • CSCL with automatic corpus analysis technology. In T. Koschmann, D. D. Suthers, & T.-W. Chan (Eds.), Proceedings of th2005 conference on Computer support for collaborative learning: learning 2005: the next 10 years! pp. 125–134. New York: Routledge
  • Dore, I. (2016). Shape-shifter and Agenda Setter: The Influence of Emotion in Social Work
  • Practice and Practice Education. Social Work Education, 35(4), 469–481.
  • Dorner, H. (2010). Online instructor roles and effects of online mentoring in cscl environments in communities of pre- and in-service teachers. Tesis Doctoral. University of Szeged.
  • Edwards, D., & Mercer, N. (1987) El conocimiento compartido: el desarrollo de la comprensión en el aula, Barcelona: Paidós.
  • Ekman, P. (2004). Emotions Revealed: Recognizing Faces & Feelings to Improve Communication and Emotional Life. New York, USA: Henry Holt.
  • Feidakis, M. (2016). A Review of Emotion-Aware Systems for E-Learning in Virtual Environments. Chapter 11, in S. Caballé & R. Clarisó (Eds.), Formative Assessment Learning Data Analytics and Gamification (Intelligen).
  • Felder, R., & Silverman, L. (1988). Learning and Teaching Styles in Engineering Education Application. Journal of Engineering Education, 78(7).
  • Figueroa, H., Costaguta, R., Menini, M. de los Á., & Missio, D. (2019). An Automatic Identification of Team Roles in Forums. XX International Conference on Human Computer Interaction (Interacción 2019).
  • Frasson, C., & Chalfoun, P. (2010). Managing Learner’s Affective States in Intelligent Tutoring Systems, vol. 308. In R. Nkambou, J. Bourdeau, & R. Mizoguchi (Eds.), Advances in Intelligent Tutoring Systems. 339–358. Heidelberg: Springer.
  • Goleman, D. (2000). La inteligencia emocional. Editorial Vergara. Argentina.
  • Goodyear, P., Jones, C., & Thompson, K. (2014). Computer-Supported Collaborative Learning: Instructional Approaches, Group Processes and Educational Designs. In M. J. Spector, D. M. Merrill, E. Jan, & M. J. Bishop (Eds.) (Eds.), Handbook of Research on Educational Communications and Technology. 439–451. New York: Springer Science+Business Media.
  • Greiffenhagen, C. (2012). Making rounds: The routine work of the teacher during collaborative learning with computers. International Journal of Computer-Supported Collaborative Learning, 7(1), 11–42.
  • Gros, B. (2000). El ordenador invisible. Barcelona: Gedisa.
  • Gulbahar, Y., & Kalelioglu, F. (2015). Competencies for e-Instructors : How to Qualify and Guarantee Sustainability. Contemporary Educational Technology, 6(2), 140–154.
  • Guzmán de Castro, B., & Castro, S. (2005). Los estilos de aprendizaje en la enseñanza y el aprendizaje: Una propuesta para su implementación. Revista de Investigación, (58), 83–102.
  • Harrer, A., Hever, R., & Ziebarth, S. (2007). Empowering researchers to detect interaction patterns in e-collaboration. Frontiers in Artificial Intelligence and Applications Vol 158, 503–510.
  • Hontangas, P.M., & Peiro, J.M. (1996). Tareas, puestos, roles y ocupaciones. In J.M. Peiro & F. Prieto (Eds.). Tratado de Psicología del Trabajo (Vol. 1), 169–214. Madrid.
  • Isen, A. M. (2000). Positive Affect and Decision Making. In M. Lewis & J. M. Haviland (Eds.), Handbook of Emotion. 417–435. New York, United States: Guilford Press.
  • Jiming Zhou, Y. Z.-M. (2020). Grudges and gratitude: the social-affective impacts of peer assessment. Assessment & Evaluation in Higher Education, 45(3), 345-358.
  • Johnson, D., Johnson, R., & Johnson Holubec, E. (1999). El aprendizaje cooperativo en el aula. Barcelona. Paidós.
  • Katz, D., & Kahn, R. L. (1978, 1986). Psicología Social de las Organizaciones México. Trillas.
  • Kopp, B., Matteucci, M. C., & Tomasetto, C. (2012). E-tutorial support for collaborative online learning: An explorative study on experienced and inexperienced e-tutors. Computers and Education, 58(1), 12–20.
  • Kort, B., Reilly, R., & Picard, R. (2001). An affective model of interplay between emotions and learning: Reengineering educational pedagogy—building a learning companion. ICALT ’01 Proceedings of the IEEE International Conference on Advanced Learning Technologies: Issues, Achievements and Challenges, 43–48. Washington.
  • Krippendorff, K. (2004). Content Analysis: An Introduction to Its Methodology (Second Edition). Thousand Oaks, United States of America: SAGE Publications.
  • Lai, C. L., & Hwang, G. J. (2015). An Interactive Peer-Assessment Criteria Development Approach to Improving Students’ Art Design Performance Using Handheld Devices. Computers & Education, 85, 149–159.
  • Lazareva, A. (2017). A framework for small group support in online collaborative learning: Combining collaboration scripts & online tutoring. In P. Escudeiro, G. Costagliola, S. Zvacek, J. Uhomoibhi, & B. M. McLaren (Eds.), CSEDU 2017 – Proceedings of the 9th International Conference on Computer Supported. 255-262. Porto, Portugal.
  • Lescano, G., Santana Mansilla, P., & Costaguta, R. (2014). Análisis de emociones en situaciones de aprendizaje colaborativo soportado por computadora : Estado del arte. Tercer Congreso Argentino de La Interacción-Persona Computador@, Telecomunicaciones, Informática e Información Científica (IPCTIIC 2014), 1–16. Huerta Grande, Córdoba.
  • Lescano, G., & Costaguta, R. (2015). Accediendo a los Aspectos Afectivos en un Entorno de Aprendizaje Colaborativo Soportado por Computadora Resumen. Cuarto Congreso Argentino de La Interacción-Persona Computador@, Telecomunicaciones, Informática e Información Científica, (November). Huerta Grande, Córdoba: ALAIPO & AInCI.
  • Lescano, G., & Costaguta, R. (2018). COLLAB: Conflicts and Sentiments in chats. XIX International Conference on Human Computer Interaction (Interacción 2018).
  • Lescano, G., Costaguta, R., & Amandi, A. (2016). Genetic Algorithm for Automatic Group Formation Considering Student’ s Learning Styles. 2016 8th Euro American Conference on Telematics and Information Systems (EATIS). Cartagena, Colombia: IEEE.
  • Lescano, G., Costaguta, R., & Amandi, A. (2020). Reconocimiento de emociones en texto. In J. Aguilar, J. Amaya, & A. Gil (Eds.), Introducción a la Computación Afectiva. 55–112. San Cristóbal, Venezuela: Fondo Editorial Universidad Nacional Experimental del Táchira.
  • Lescano, G., Costaguta, R., & Amandi, A. (2021). Emotions recognition in synchronic textual CSCL situations. Int. J. Data Mining, Modelling and Management, en prensa.
  • Lescano, G., Santana Mansilla, P., & Costaguta, R. (2014). Análisis de emociones en situaciones de aprendizaje colaborativo soportado por computadora : Estado del arte. Tercer Congreso Argentino de La Interacción-Persona Computador@, Telecomunicaciones, Informática e Información Científica (IPCTIIC 2014), 1–16. Huerta Grande, Córdoba.
  • Li, H. X. (2020). Does peer assessment promote student learning? A meta-analysis. Assessment & Evaluation in Higher Education, 45(2), 193-211.
  • Li, H., Bialo, J. A., Xiong, Y., Hunter, C. V., & Guo, X. (2021). The Effect of Peer Assessment on Non-Cognitive Outcomes: A Meta-Analysis. Applied Measurement in Education.
  • Linnenbrink-Garcia, L., Rogat, T. K., & Koskey, K. L. K. (2011). Affect and engagement during small group instruction. Contemporary Educational Psychology, 36(1), 13–24.
  • Linton, R. (1945). The Cultural background of personality. New York: Appleton Century.
  • Lorenzo, J. (2018). Uso de TIC en docentes de nivel medio, terciario y universitario de ciencias humanas y sociales. Anuario Digital de Investigación Educativa, 1(1), 89–104.
  • Lund, K. (2004). Human support in CSCL. What, for Whom, and by Whom? In J. Strijbos, P. A. Kirschner, & R. L. Martens (Eds.), What We Know About CSCL And Implementing It In Higher Education. 167–198. Kluwer Academic Publishers.
  • Martínez Mirón, E., & Gamboa Rodríguez, F. (2007). Métodos para evaluar el impacto de las TIC en el aprendizaje en colaboración. Memoria XII Congreso de Informática Educativa Inforedu 2007. La Habana, Cuba.
  • Martínez-Mirón, E. A., González-Ramos, O. E., Hernández-Beristain, A., Gómez-Larios, M., & Sánchez-Román, G. (2018). Selección de factores para una webapp de co-evaluación. Tecnología Educativa, 5(1), 40-44.
  • Matteucci, M. C., Tomasetto, C., Mazzoni, E., Gaffuri, P., Selleri, P., & Carugati, F. (2010). Supporting online collaboration: Drawing guidelines from an empirical study on E-Tutors. Procedia – Social and Behavioral Sciences, 2(2), 3270–3273.
  • Mayende, G., Prinz, A., Isabwe, G. M. N., & Muyinda, P. B. (2015). Supporting Learning Groups in Online Learning Environment. In M. Helfert, M. T. Restivo, S. Zvacek, & J. Uhomoibhi (Eds.), Proceedings of the 7th International Conference on Computer Supported Education (CSEDU-2015). 390–396. Lisbon, Portugal
  • McCarthey, S. J. & McMahon, S. (1992): From convention to invention: Three approaches to peer interaction during writing”. En Hertz-Lazarowitz, R. & Millar, N. (Eds.): Interaction in cooperative Groups: The theoretical anatomy of group learning. Cambridge University Press. 17- 35.
  • McMahon, T. (2010). Combining Peer-Assessment with Negotiated Learning Activities on a Day-Release Undergraduate-Level Certificate Course (ECTS Level 3). Assessment & Evaluation in Higher Education, 35(2), 223–239.
  • Muñoz Carril, P. C., Sanmamed, M. G., & Hernández Sellés, N. (2013). Pedagogical roles and competencies of university teachers practicing in the E-learning environment. International Review of Research in Open and Distance Learning, 14(3), 462–487.
  • Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. Cambridge, Massachusetts: MIT Press.
  • Nam, C. W. (2014). The effects of trust and constructive controversy on student achievement and attitude in online cooperative learning environments. Computers in Human Behavior, 37(August 2014), 237–248.
  • Nieva Chaves, J.A & Martínez Chacón, O. (2019). “Confluencias y rupturas entre el aprendizaje significativo de Ausubel y el aprendizaje desarrollador desde la perspectiva del enfoque histórico cultural de L. S. Vigotsky”. Revista Cubana de Educación Superior, 38(1).
  • Olivares, O. J. (2007). Collaborative vs. Cooperative Learning: The Instructor’s Role in Computer Supported Collaborative Learning. In K. L. Orvis & A. L. R. Lassiter (Eds.), Computer-Supported Collaborative Learning: Best Practices and Principles for Instructors. 20–39. Hershey, PA: Information Science Publishing.
  • Onrubia, J., & Engel, A. (2012). The role of teacher assistance on the effects of a macro-script in collaborative writing tasks. International Journal of Computer-Supported Collaborative Learning, 7(1), 161–186.
  • Orvis, K. L., & Lassiter, A. L. R. (2006). Computer-Supported Collaborative Learning: The Role of the Instructor. In S. P. Ferris & S. H. Godar (Eds.), Teaching and learning with virtual teams. 158–179. Hershey: IGI Global
  • Panitz, T. & Panitz, P. (1998). Encouraging the Use of Collaborative Learning in Higher Education. In James J. Forest (Ed.) Issues Facing International Education. NY: Garland Publishing.
  • Pantiwati, Y., & Husamah, H. (2017). Self and Peer Assessments in Active Learning Model to Increase Metacognitive Awareness and Cognitive Abilities. International Journal of Instruction, 10, 185-202.
  • Pavón, J., & Gómez-Sanz, J. (2003). Agent oriented software engineering with INGENIAS. In V. Mařík, M. Pěchouček, & J. Müller (Eds.), International Central and Eastern European Conference on Multi-Agent Systems. 394–403. Berlin: Springer
  • Peiro, J. & Prieto, F. (1996). Tratado de Psicología del Trabajo (1). Editorial Síntesis S.A. Madrid.
  • Rebolledo-Mendez, G., Huerta-Pacheco, N., Baker, R., & Du Boulay, B. (2021). Meta-Affective Behaviour within an Intelligent Tutoring System for Mathematics. International Journal of Artificial Intelligence in Education.
  • Ros Guasch, J. (2006). Análisis de roles de trabajo en equipo: Un enfoque centrado en comportamientos. PhD. Tesis. Universidad Autónoma de Barcelona, España.
  • Roselli, N. (2007). El aprendizaje colaborativo: fundamentos teóricos y conclusiones prácticas derivadas de la investigación. En: M.C. Richaud y M.S. Ison. Avances en investigación en ciencias del comportamiento en Argentina. Editorial de la Universidad del Aconcagua: Mendoza. Tomo I. Capítulo 18.
  • Salinas, J. (2000). El aprendizaje colaborativo con los nuevos canales de comunicación. Cabero, J. (ed.). Nuevas tecnologías aplicadas a la educación. Madrid: Síntesis. 199-227.
  • Salinas, M. (2017). Gestión de la evaluación del desempeño docente en aulas virtuales de un proyecto de blended-learning. Ciencia, Docencia y Tecnología, 28(54), 100–129.
  • Sanmartí, N. (2007). 10 ideas clave. Evaluar para aprender. Barcelona: Graó.
  • Santana-Mansilla, P., Costaguta, R., & Missio, D. (2014). Aplicación de Algoritmos de Clasificación de Minería de Textos para el Reconocimiento de Habilidades de E-tutores Colaborativos. Inteligencia Artificial, 17(53), 57–67.
  • Schwarz, B. B., & Asterhan, C. S. (2011). E-Moderation of Synchronous Discussions in Educational Settings: A Nascent Practice. Journal of the Learning Sciences, 20(3), 395–442.
  • Sere, F. C., Swigger, K., Alpaslan, F. N., Brazile, R., Dafoulas, G., & Lopez, V. (2011). Online collaboration: Collaborative behavior patterns and factors affecting globally distributed team performance. Computers in Human Behavior, 27(1), 490–503.
  • Shepherd, C. E., Bolliger, D. U., Dousay, T. A., & Persichitte, K. (2016). Preparing Teachers for Online Instruction with a Graduate Certificate Program. TechTrends, 60(1), 41–47.
  • Soller, A. (2001). Supporting Social Interaction in an Intelligent Collaborative Learning System. International Journal of Artificial Intelligence in Education, 12(1), 40–62.
  • Souto, M.. (2007) Hacia una didáctica de lo grupal. Buenos Aires. Miño y Dávila.
  • Stahl, G., Koschmann, T. and Suthers, D. (2006). Computer-Supported Collaborative Learning. En Sawyer, R. K. (ed.) The Cambridge Handbook of The Learning Sciences. 409-426. Cambridge, UK: Cambridge University Press.
  • Tchounikine, P., Rummel, N., & McLaren, B. M. (2010). Computer Supported Collaborative Learning and Intelligent Tutoring Systems. In R. Nkambou, J. Bourdeau, & R. Mizoguchi (Eds.), Advances in Intelligent Tutoring Systems (Vol. 308). 447–463. Berlin: Springer-Verlag
  • Trentin, G. (2006). The Xanadu project: training faculty in the use of information and communication technology for university teaching. Journal of Computer Assisted Learning, 22(3), 182–196.
  • Trausan-Matu, S., Dascalu, M., & Rebedea, T. (2014). PolyCAFe-automatic support for the polyphonic analysis of CSCL chats. International Journal of Computer-Supported Collaborative Learning, 9(2), 127–156.
  • Van-Leeuwen, A., Janssen, J., Erkens, G., & Brekelmans, M. (2013). Teacher interventions in a synchronous, co-located CSCL setting: Analyzing focus, means, and temporality. Computers in Human Behavior, 29(4), 1377–1386.
  • Vygotsky, L.S. (1979). Desarrollo de los procesos psicológicos superiores. Barcelona, España: Grijalbo-Crítica.
  • Wertsch J.V. (1988) Vigotsky y la formación social de la mente. Barcelona: Paidós.
  • Wiersema, N. (2002): How does collaborative learning actually work in a (Mexican) classroom and hoy do students react to it? A brief reflection. [Fecha de consulta 05 de Julio de 2021] Disponible en: https://files.eric.ed.gov/fulltext/ED464510.pdf
  • Wolf, P. D. (2006). Best practices in the training of faculty to teach online. Journal of Computing in Higher Education, 17(2), 47–78.
  • Wooldridge, M, Jennings, N. & Kinny, D. (2000). The Gaia for Agent-Oriented Analysis and Design. Journal Autonomous Agents and Multi-Agent Systems, 3 (3). 285–312.
  • Yinder, M. (1965). Toward a field theory of behaviour. México. McGraw-Hill.
  • Zañartu Correa, L. M. (2003). Aprendizaje colaborativo: una nueva forma de Diálogo Interpersonal y en Red. Revista Digital de Educación y Nuevas Tecnologías – Contexto Educativo, 28.
  • Zheng, L., Zhang, X., & Cui, P. (2020). The role of technology-facilitated peer assessment and supporting strategies: a meta-analysis. Assessment & Evaluation in Higher Education, 45(3), 193-211.

  1. https://www.phpbb.com/