Análisis de la eficacia del inventario de Kolb modificado para identificar estilos de aprendizaje en adultos.

Resumen

Introducción/Justificación
El aprendizaje en adultos es un proceso complejo, influenciado por experiencias previas, necesidades prácticas y la forma en que el individuo interpreta y aplica el conocimiento en contextos reales (SANT'ANNA; ROSSETTI, 2023). En este contexto, comprender los estilos de aprendizaje resulta fundamental para el desarrollo de estrategias educativas más eficaces, especialmente en áreas que exigen una rápida toma de decisiones y la aplicación práctica del conocimiento. El modelo de aprendizaje experiencial propuesto por Kolb (1984) describe cuatro estilos principales: divergente, asimilador, convergente y acomodador, ampliamente utilizados para comprender cómo aprenden y procesan la información las personas. La identificación de estos estilos se realiza tradicionalmente mediante el Inventario de Kolb (IK), un instrumento compuesto por 12 preguntas con cuatro alternativas cada una, cuya aplicación requiere aproximadamente 20 minutos (KOLB; KOLB, 2013). A pesar de su relevancia y uso generalizado, el tiempo de aplicación puede representar un factor limitante, reduciendo su aplicabilidad en contextos educativos que requieren mayor agilidad. Ante esta limitación, surge la necesidad de instrumentos más objetivos que mantengan la fiabilidad de los resultados. En este contexto, el uso de la inteligencia artificial se presenta como una estrategia innovadora para simular y analizar patrones de respuesta, lo que permite la evaluación controlada de instrumentos educativos antes de su aplicación a personas reales.

Objetivos
Analizar la eficiencia del Inventario de Kolb Modificado (IKM) para identificar estilos de aprendizaje, en comparación con el Inventario de Kolb digitalizado tradicional, utilizando agentes de inteligencia artificial configurados para simular diferentes perfiles de aprendizaje.

Metodología
Este es un estudio comparativo en el que se desarrollaron y configuraron agentes de inteligencia artificial según los cuatro estilos de aprendizaje propuestos por Kolb (1984): convergente, asimilador, divergente y acomodador. El análisis se realizó en dos plataformas de inteligencia artificial distintas, GPT y Gemini, con el fin de verificar la consistencia de los resultados en diferentes entornos tecnológicos. Inicialmente, los agentes fueron sometidos al Inventario de Kolb digitalizado tradicional, asegurando la estandarización en la aplicación del instrumento. Posteriormente, respondieron al Inventario de Kolb Modificado, compuesto por cuatro preguntas, desarrollado con la ayuda de inteligencia artificial para reducir el tiempo de aplicación sin comprometer la identificación de perfiles. Se analizaron los estilos de aprendizaje identificados en cada instrumento, así como el tiempo requerido para completar cada aplicación. Este enfoque permitió la comparación directa entre los instrumentos en un entorno controlado, reduciendo las variables externas y aumentando la fiabilidad del análisis. El uso de agentes de inteligencia artificial posibilitó la estandarización de las respuestas y la reducción de los sesgos individuales, favoreciendo el análisis comparativo entre los instrumentos.

Resultados
Los resultados demostraron un alto grado de concordancia entre los perfiles identificados por ambos instrumentos, con un índice de compatibilidad del 95 % entre las respuestas obtenidas en las diferentes plataformas de inteligencia artificial. Este resultado refuerza la capacidad del Inventario Kolb Modificado para mantener la fiabilidad en la identificación de estilos de aprendizaje, incluso con la significativa reducción en el número de preguntas. Además, se observó una reducción promedio del 63 % en el tiempo de aplicación del instrumento modificado en comparación con el inventario tradicional. El análisis de perfiles mostró que todos los estilos presentaron respuestas consistentes entre ambos instrumentos, destacando una mayor afinidad del perfil acomodador con el formato reducido, posiblemente debido a su característica de valorar la acción y la objetividad (KOLB; KOLB, 2005). Los resultados también demostraron consistencia entre las plataformas GPT y Gemini, reforzando la robustez de la metodología adoptada.

Conclusión
El Inventario Kolb Modificado mostró una alta concordancia con el inventario tradicional, manteniendo su eficacia en la identificación de estilos de aprendizaje, con una reducción significativa en el tiempo de aplicación. Estos hallazgos indican que el instrumento tiene potencial para su aplicación en contextos educativos que exigen mayor agilidad y eficiencia, sin comprometer la calidad de la evaluación. El uso de la inteligencia artificial como herramienta de simulación demostró ser una estrategia relevante para la validación preliminar de instrumentos educativos, contribuyendo al desarrollo de metodologías más dinámicas alineadas con las demandas contemporáneas de la educación (SANT'ANNA; ROSSETTI, 2023). Se recomiendan estudios futuros con aplicación en poblaciones reales para consolidar la validez externa del instrumento.

Palabras clave: Estilos de aprendizaje; Educación de adultos; Inteligencia artificial; Evaluación educativa.

Referencias:
KOLB, Alice Y.; KOLB, David A. The experiential learning theory of development. Boston: Hay Group, 2005.
KOLB, David A. Experiential learning: experience as the source of learning and development. Englewood Cliffs: Prentice Hall, 1984.
KOLB, David A.; KOLB, Alice Y. El Inventario de Estilos de Aprendizaje de Kolb 4.0: Guía de Teoría, Psicometría, Investigación y Aplicaciones. Boston: Hay Group, 2013.
SANT'ANNA, Carmem Maria; ROSSETTI, Fabrizia. Enseñar de una manera que funcione: Andragogía y Análisis Transaccional. Petrópolis: Vozes, 2023.