Zelma

Zelma, un asistente de investigación basado en GPT‑4, hace que los datos educativos sean accesibles a padres, profesores, administradores escolares y responsables de políticas públicas en todo Estados Unidos.

¿Cuál es el problema que resuelven? Si bien se aplican exámenes estandarizados a todos los estudiantes de los grados tercero a octavo en Estados Unidos, se han desaprovechado y usado muy poco los datos del desempeño de los estudiantes, pues están dispersos entre varias fuentes y formatos. Los datos de los exámenes ofrecen información poderosa en cuanto a la manera en que los estudiantes aprenden Lengua y literatura inglesa (ELA) y Matemáticas entre diferentes distritos y grupos demográficos. Sin embargo, obtener información que pueda moldear el futuro de la educación es algo que está fuera del alcance de la mayoría de los padres, periodistas, educadores y responsables de políticas públicas.

Tras reconocer esta carencia, la Dra. Emily Oster, economista y autora de Brown University, se dispuso a cambiar la situación. “Zelma hace posible que tanto los padres como los responsables de las políticas públicas usen un lenguaje simple para obtener información educativa al instante y personalizada de aquello que más les importa”, explicó la Dra. Oster. ¿Cómo lo logró Zelma? El equipo de investigadores estudiantes del que la Dra. Oster está a cargo en Brown University pasó un año recopilando los datos y limpiándolos a consciencia para dejarlos en un único formato. Posteriormente, Zelma trabajó con Novy⁠(se abre en una nueva ventana) para hacer que los datos cobraran vida por medio de la API de OpenAI.

Novy aprovechó la llamada de función⁠(se abre en una nueva ventana) para decirle a GPT‑4 qué elementos visuales y campos debía elegir a la hora de mostrar los datos. Para la perspectiva de “Haz una pregunta” de Zelma, realizaron un ajuste fino⁠(se abre en una nueva ventana) de un modelo para crear una predicción de escritura que estuviera consciente de los datos para que sugiriera preguntas a partir de los datos disponibles. También integraron⁠ y almacenaron gráficos conocidos por ser buenos ejemplos en una base de datos vectorial para mejorar la precisión en los casos extremos difíciles.

El mayor reto fue intentar predecir la manera en que las personas formularían sus preguntas y a la vez mantener las instrucciones dentro del alcance de los conocimientos de Zelma. “Atacamos esto con decisiones de diseño intencionales en la experiencia del usuario de Zelma que orillan a las personas a hacer preguntas que Zelma pueda responder”, explicó la Dra. Oster. Sus funciones clave incluyen:

• Sugerencias de ejemplos de prompts. Debido a que Zelma solo abarca un dominio específico de los datos educativos, estas sugerencias ayudan a los usuarios a entender el alcance de los conocimientos de Zelma y cómo formular sus instrucciones.
• Hacer que todas las preguntas sean públicas.⁠(se abre en una nueva ventana) Esto ayuda a que las personas aprendan de lo que otras han preguntado y a la vez evita que los usuarios envíen volúmenes elevados de consultas irrelevantes.
• Mostrar el código SQL. Zelma pone su lógica a disposición del usuario para ayudarle a verificar rápidamente sus respuestas. Para quienes no son programadores, los factores también se explican en lenguaje simple.
• Explicar el contexto. Zelma aporta contexto por medio de definiciones y marcar eventos notables (como los cambios en la evaluación estatal) para ayudar a entender los factores externos que pudieron haber influido en los datos en un año determinado.

Ahora, puedes hacer al instante una lista preliminar de los cinco distritos escolares públicos tradicionales de Minnesota con mejor rendimiento en matemáticas⁠(se abre en una nueva ventana) y descubrir que todos tienen un puntaje de desempeño de alrededor de 77 por ciento. Y una simple prompt puede dar luz a las disparidades raciales en las aptitudes en ELA en California a lo largo del tiempo,⁠(se abre en una nueva ventana) al tiempo que señala un cambio en la evaluación en 2015 que hace que los resultados de los exámenes de ese año en adelante no sean compatibles con los años anteriores.

Esto significa que los miembros de las juntas escolares pueden usar Zelma para generar rápidamente visualizaciones de datos durante las reuniones, permitiendo así una toma de decisiones informada por datos. Los padres pueden comparar el desempeño histórico en los exámenes de distritos escolares cercanos para tomar decisiones informadas respecto al lugar en el que criarán a sus hijos. El jefe de gabinete de un gobernador puede usar a Zelma de referencia para encontrar las escuelas de mejor desempeño en su estado y ver cómo han cambiado los resultados de los exámenes con el paso del tiempo.

Zelma transforma datos dispares, a partir de portales y hojas de cálculo desperdigados, en análisis significativos dentro de un sitio web fácil de usar. Zelma se une a otros casos de uso que apoyan a los profesores en el aula⁠ y ayudan a los estudiantes a aprender a su propio ritmo⁠ mostrándoles maneras en las que la IA generativa puede mejorar el sistema educativo. Zelma también es un ejemplo poderoso de cómo se pueden usar las herramientas y productos de OpenAI para hacer los datos más útiles y accesibles para todos.