Attributional patterns toward students with and without learning disabilities: Artificial intelligence models vs. trainee teachers
Gardado en:
Levkovich, I., et al., Attributional patterns toward students with and without learning disabilities: Artificial intelligence models vs. trainee teachers. Research in Developmental Disabilities, vol. 160, n. 104970, 2025, 14 p.
Ref.
603301
Localización:
SIIS Archivo (R.775)
Palabras clave:
Discapacidad, Infancia, Adolescentes, Estudiantes, Escuela, Estudios, Tecnología
Discapacidad, Infancia, Adolescentes, Estudiantes, Escuela, Estudios, Tecnología
Resumo:
Este estudio exploró las diferencias en los patrones atribucionales de cuatro modelos de lenguaje grande de inteligencia artificial avanzada, centrando su análisis en aspectos como la retroalimentación, la frustración, la empatía y las expectativas de fracaso futuro entre estudiantes con y sin discapacidades de aprendizaje. <br><br> Los hallazgos se compararon con las respuestas de una muestra de maestros en formación australianos y chinos, compuesta por personas cercanas a la obtención de la cualificación docente y con diversos antecedentes demográficos y educativos. <br><br> Se utilizaron ocho viñetas que representaban a estudiantes con diferentes niveles de habilidad y esfuerzo, las cuales fueron evaluadas por los modelos de lenguaje diez veces cada una, generando un total de 320 evaluaciones. <br><br> Los maestros en formación también proporcionaron calificaciones comparables. <br><br> Para los estudiantes con discapacidades de aprendizaje, los modelos de lenguaje mostraron menor frustración y mayor empatía en comparación con los maestros en formación. <br><br> En el caso de estudiantes sin discapacidades de aprendizaje, los modelos también mostraron menor frustración. <br><br> Uno de los modelos se alineó estrechamente con los maestros chinos, mientras otro mostró mayor empatía que ambos grupos de docentes. <br><br> Los modelos expresaron expectativas más bajas de fracaso académico futuro tanto para estudiantes con como sin discapacidades de aprendizaje, en comparación con los docentes en formación. <br><br> En cuanto a la retroalimentación, los resultados reflejan evaluaciones de la calidad general de la retroalimentación que brindarían los modelos y los docentes, en lugar del contenido textual específico. <br><br> Algunos modelos, en particular dos de ellos, fueron calificados como emisores de retroalimentación más negativa que los docentes en formación.
Este estudio exploró las diferencias en los patrones atribucionales de cuatro modelos de lenguaje grande de inteligencia artificial avanzada, centrando su análisis en aspectos como la retroalimentación, la frustración, la empatía y las expectativas de fracaso futuro entre estudiantes con y sin discapacidades de aprendizaje. <br><br> Los hallazgos se compararon con las respuestas de una muestra de maestros en formación australianos y chinos, compuesta por personas cercanas a la obtención de la cualificación docente y con diversos antecedentes demográficos y educativos. <br><br> Se utilizaron ocho viñetas que representaban a estudiantes con diferentes niveles de habilidad y esfuerzo, las cuales fueron evaluadas por los modelos de lenguaje diez veces cada una, generando un total de 320 evaluaciones. <br><br> Los maestros en formación también proporcionaron calificaciones comparables. <br><br> Para los estudiantes con discapacidades de aprendizaje, los modelos de lenguaje mostraron menor frustración y mayor empatía en comparación con los maestros en formación. <br><br> En el caso de estudiantes sin discapacidades de aprendizaje, los modelos también mostraron menor frustración. <br><br> Uno de los modelos se alineó estrechamente con los maestros chinos, mientras otro mostró mayor empatía que ambos grupos de docentes. <br><br> Los modelos expresaron expectativas más bajas de fracaso académico futuro tanto para estudiantes con como sin discapacidades de aprendizaje, en comparación con los docentes en formación. <br><br> En cuanto a la retroalimentación, los resultados reflejan evaluaciones de la calidad general de la retroalimentación que brindarían los modelos y los docentes, en lugar del contenido textual específico. <br><br> Algunos modelos, en particular dos de ellos, fueron calificados como emisores de retroalimentación más negativa que los docentes en formación.
| Summary: | Este estudio exploró las diferencias en los patrones atribucionales de cuatro modelos de lenguaje grande de inteligencia artificial avanzada, centrando su análisis en aspectos como la retroalimentación, la frustración, la empatía y las expectativas de fracaso futuro entre estudiantes con y sin discapacidades de aprendizaje. <br><br> Los hallazgos se compararon con las respuestas de una muestra de maestros en formación australianos y chinos, compuesta por personas cercanas a la obtención de la cualificación docente y con diversos antecedentes demográficos y educativos. <br><br> Se utilizaron ocho viñetas que representaban a estudiantes con diferentes niveles de habilidad y esfuerzo, las cuales fueron evaluadas por los modelos de lenguaje diez veces cada una, generando un total de 320 evaluaciones. <br><br> Los maestros en formación también proporcionaron calificaciones comparables. <br><br> Para los estudiantes con discapacidades de aprendizaje, los modelos de lenguaje mostraron menor frustración y mayor empatía en comparación con los maestros en formación. <br><br> En el caso de estudiantes sin discapacidades de aprendizaje, los modelos también mostraron menor frustración. <br><br> Uno de los modelos se alineó estrechamente con los maestros chinos, mientras otro mostró mayor empatía que ambos grupos de docentes. <br><br> Los modelos expresaron expectativas más bajas de fracaso académico futuro tanto para estudiantes con como sin discapacidades de aprendizaje, en comparación con los docentes en formación. <br><br> En cuanto a la retroalimentación, los resultados reflejan evaluaciones de la calidad general de la retroalimentación que brindarían los modelos y los docentes, en lugar del contenido textual específico. <br><br> Algunos modelos, en particular dos de ellos, fueron calificados como emisores de retroalimentación más negativa que los docentes en formación. |
|---|---|
| ISSN: | 0891-4222 (papel) |