Convergencia Ciencia-IA: Programación por Bloques para la Educación en Física

La integración de la Inteligencia Artificial (IA) en la educación está aumentando rápidamente, impulsada por la necesidad de equipar a los estudiantes con habilidades para resolver problemas del mundo real utilizando enfoques interdisciplinarios. Este artículo explora el desarrollo y la aplicación de una clase de convergencia Ciencia-IA que utiliza programación por bloques para mejorar la comprensión de los estudiantes sobre conceptos de física, específicamente el movimiento de un péndulo amortiguado. Al utilizar la plataforma KNIME, los estudiantes pueden construir modelos de IA para predecir la posición del péndulo, fomentando una comprensión más profunda de los principios de física y IA. Este enfoque tiene como objetivo hacer que la IA sea más accesible para los estudiantes de secundaria, permitiéndoles interactuar con conceptos científicos complejos de una manera innovadora y atractiva.

El currículo de ciencias revisado de 2022 enfatiza la importancia de las actividades de indagación integradas con IA para cultivar la capacidad de los estudiantes para resolver problemas científicos en la vida cotidiana y la sociedad basándose en el pensamiento convergente. La integración de la IA en la educación científica permite la aplicación de prácticas científicas modernas dentro del currículo. Investigaciones anteriores han explorado clases de convergencia basadas en datos utilizando lenguajes de programación como Python para crear modelos de redes neuronales. Sin embargo, estos enfoques a menudo requieren una comprensión profunda de la codificación, lo que puede ser una barrera para muchos estudiantes. Este artículo aborda este desafío utilizando KNIME, una plataforma de programación por bloques que simplifica el proceso de construcción y análisis de modelos de IA, haciéndola más accesible para estudiantes con experiencia limitada en codificación.

El programa de convergencia Ciencia-IA se desarrolló en torno al concepto de un péndulo amortiguado, un tema fundamental en física. El programa implica varios pasos clave: (1) Seleccionar el péndulo amortiguado como tema de indagación; (2) Analizar las actividades de exploración del movimiento del péndulo dentro de los libros de texto; (3) Construir un conjunto de datos recopilando datos de posición y velocidad del péndulo utilizando el software Tracker; (4) Construir un modelo de IA utilizando KNIME para predecir la posición del péndulo; (5) Evaluar los resultados de la predicción del modelo. Este enfoque estructurado permite a los estudiantes comprender los principios físicos subyacentes mientras interactúan con la tecnología de IA.

La clase de convergencia Ciencia-IA se implementó con estudiantes de secundaria, y sus experiencias se analizaron a través de entrevistas en profundidad. Los resultados destacaron varios temas clave, incluida la motivación de los estudiantes para participar, sus experiencias y cambios en la comprensión, y los desafíos y limitaciones que enfrentaron. Los estudiantes informaron un mayor compromiso y una comprensión más profunda de los conceptos de física y IA. Sin embargo, algunos estudiantes encontraron desafiante la curva de aprendizaje inicial de KNIME, lo que requirió apoyo y orientación adicionales. En general, el programa tuvo éxito en fomentar una experiencia de aprendizaje positiva y promover el pensamiento interdisciplinario.

Los hallazgos de este estudio tienen implicaciones significativas para el desarrollo e implementación de programas de convergencia Ciencia-IA. El uso de plataformas de programación por bloques como KNIME puede reducir la barrera de entrada para estudiantes con experiencia limitada en codificación, haciendo que la IA sea más accesible y atractiva. El enfoque estructurado para la recopilación de datos, la construcción de modelos y la evaluación proporciona un marco claro para que los estudiantes lo sigan. Además, la integración de datos del mundo real y actividades prácticas mejora la comprensión de los estudiantes sobre los principios de física y IA. El estudio también destaca la importancia de brindar apoyo y orientación adecuados a los estudiantes mientras navegan por los desafíos de aprender nuevas tecnologías.

Esta investigación demuestra el potencial de los programas de convergencia Ciencia-IA para mejorar la comprensión de los estudiantes sobre conceptos de física y promover el pensamiento interdisciplinario. Al utilizar plataformas de programación por bloques como KNIME, los estudiantes pueden construir modelos de IA para predecir el movimiento de un péndulo amortiguado, fomentando una comprensión más profunda de los principios de física y IA. Basándose en los hallazgos de este estudio, se pueden hacer varias recomendaciones para la investigación y la práctica futuras: (1) Continuar desarrollando y refinando programas de convergencia Ciencia-IA que integren datos del mundo real y actividades prácticas; (2) Brindar apoyo y orientación adecuados a los estudiantes mientras navegan por los desafíos de aprender nuevas tecnologías; (3) Explorar el uso de otras plataformas de programación por bloques y herramientas de IA para mejorar la experiencia de aprendizaje; (4) Realizar más investigaciones para evaluar el impacto a largo plazo de los programas de convergencia Ciencia-IA en el rendimiento académico y las aspiraciones profesionales de los estudiantes.

KNIME (Konstanz Information Miner) es un software de código abierto ampliamente utilizado para la integración, procesamiento y análisis de datos, que permite el aprendizaje automático sin un conocimiento de codificación extenso. Su interfaz gráfica de usuario (GUI) permite a los usuarios conectar varios nodos para construir modelos de análisis de datos e IA. KNIME ofrece miles de nodos y flujos de trabajo compartidos, lo que facilita la colaboración y la comparación de modelos. Su capacidad sin conexión y compatibilidad con lenguajes como Python y R brindan flexibilidad y autonomía en el aprendizaje. El flujo de trabajo visual de KNIME simplifica el proceso de codificación, facilitando el abordaje de los conceptos de aprendizaje automático.

El Perceptrón Multicapa (MLP) es un tipo de red neuronal artificial utilizada en este estudio. Consta de una capa de entrada, una capa de salida y múltiples capas ocultas. El modelo MLP aprende ajustando pesos y sesgos a través de un proceso llamado retropropagación, minimizando el error entre los valores predichos y reales. El número de neuronas en las capas ocultas se determina típicamente utilizando una fórmula específica para evitar el sobreajuste. El rendimiento del modelo se evalúa utilizando métricas como el Error Cuadrático Medio (RMSE). Los modelos MLP se pueden utilizar para diversas tareas, incluida la predicción del movimiento de objetos y el desarrollo de modelos predictivos en medicina clínica.

Para recopilar datos del péndulo amortiguado, se construyó un péndulo de resorte y su trayectoria se cuantificó utilizando el software Tracker. El péndulo se sumergió en un cilindro graduado lleno de agua para inducir amortiguación. Los datos de posición y velocidad se recopilaron a lo largo del tiempo, lo que resultó en un conjunto de datos de 581 puntos. Estos datos se utilizaron luego para entrenar y probar el modelo de IA. El proceso de recopilación y análisis de datos ayuda a los estudiantes a comprender la relación entre el tiempo, la posición y la velocidad en el movimiento armónico amortiguado.

El modelo MLP se construyó utilizando el flujo de trabajo de KNIME, con nodos que representan la capa de entrada, las capas ocultas y la capa de salida. Los datos se preprocesaron utilizando normalización para garantizar que los valores de posición y velocidad estuvieran en la misma escala. El conjunto de datos se dividió en conjuntos de entrenamiento y prueba. Se utilizó el nodo RProp MLP Learner para entrenar el modelo y el nodo MultiLayer Perceptron Predictor para generar predicciones. El rendimiento del modelo se evaluó utilizando R-cuadrado y RMSE. Los resultados mostraron que el modelo MLP pudo predecir con precisión la posición del péndulo amortiguado, con un valor de R-cuadrado de 0.992 y un RMSE de 0.01.