Optimización de aprendizajes curricularesenseñanza automática, educación stem y principios de desarrollo cognitivo en Leibniz

Resumen

En un mundo en constante cambio cualquier currículo, aunque hoy sea considerado vital, puede quedar obsoleto en un relativo corto período de tiempo. El foco, por tanto, no estaría solo en qué conceptos deben impartirse. Más bien, para un conjunto de conceptos dado, se buscan procedimientos que permitan obtener unos resultados óptimos, i.e., metodologías que confieran un nivel competencial máximo, con la menor cantidad de información posible. Es por ello que el objetivo principal de nuestra investigación consistirá en maximizar el rendimiento del proceso de enseñanza-aprendizaje, mediante la menor dosis de información. Dicho objetivo lo dividiremos en varios subobjetivos: (1) identificar cuáles son los elementos fundamentales que permiten alcanzar resultados óptimos en el ámbito de la educación STEM, (2) de entre esos elementos clave, analizar los que pueden ser aplicados de forma genérica, i.e., que no dependan directamente de características propias de la comunidad educativa y (3) minimizar el esfuerzo invertido en aplicar dichos elementos clave universales. Para maximizar el desempeño del alumnado se analizan experiencias educativas de éxito. Existen competiciones STEM en las que participan cientos de equipos internacionales de estudiantes. Los concursantes obtienen una medida de su nivel competencial, emitida por una entidad externa sujeta a exigentes criterios de calidad. Este tipo de evaluaciones, así como las notas obtenidas en asignaturas STEM, se emplean como medida del rendimiento alcanzado. Para analizar, teóricamente, cómo se puede minimizar el esfuerzo de aprendizaje se emplea la enseñanza automática: el área de la inteligencia artificial que busca el conjunto de ejemplos o currículo óptimo que permite a un profesor conseguir que un aprendiz capture un concepto. Dicha área es un marco único para mejorar la educación y la formación personalizada. En humanos asume un modelo cognitivo como "algoritmo computacional de aprendizaje" para un estudiante. Dichos modelos son la base de ciertos sistemas de tutoría inteligente y de las categorizaciones que usan, i.e., las agrupaciones de elementos en clases distintas según sus características. Hasta donde nosotros sabemos, no existen propuestas de modelos cognitivos con unos objetivos más amplios, y por ende más complejos, en educación STEM, que involucren una enseñanza fuertemente guiada mediante ejemplos y permitan incorporar conocimiento previo "sobre la marcha. El enfoque aquí planteado adapta la teoría de la carga cognitiva, basada en una enseñanza fuertemente guiada mediante ejemplos, para tratar el comportamiento del aprendiz como un dato conocido. Los resultados obtenidos se asocian a los tres subobjetivos mencionados anteriormente. Así, en una primera fase se identificaron elementos fundamentales que inciden directamente en el rendimiento de la enseñanza STEM. Dichos elementos son, en muchos casos, características particulares como las medidas organizativas de la comunidad educativa, la formación del profesorado o la participación de las familias. Sin embargo, se identificó un factor general que incidía de forma directa en el rendimiento del alumnado: la distribución de la enseñanza de ciertos conceptos relacionados. En una segunda etapa, focalizada en el estudio de los procedimientos genéricos y en la distribución de los conceptos implicados, se identificó la efectividad de una enseñanza guiada que combina la enseñanza mediante ejemplos y la descripción directa de ciertos conceptos. Esta fórmula resultó muy eficiente, en términos de cantidad de información total invertida en el proceso de enseñanza-aprendizaje, a la vez que su desempeño fue óptimo. Finalmente, se propuso una medida teórica de enseñanza, restringida exclusivamente a la cantidad de información invertida, capaz de implementar una enseñanza guiada mediante ejemplos, así como el conocimiento previo acumulado, que resulta compatible con la noción leibniciana de componibilidad. Dicha medida es una referencia de la información total empleada en el proceso de enseñanza-aprendizaje, que no resulta alterada por otros factores externos particulares o colectivos (interés, cansancio, implicación de las familias...). Aparte de la dificultad de implementar el conocimiento previo con la enseñanza guiada mediante ejemplos, se solventó otra cuestión importante relativa a la distribución de la enseñanza de los conceptos. En enseñanza automática, los currículos eran sucesiones de conceptos donde todo concepto adquirido se convierte en conocimiento previo. Es decir, la distribución de los conceptos era lineal. Sin embargo, nuestro entorno de trabajo considera una distribución de la enseñanza de conceptos en árbol, dejando abierta la posibilidad de poder o no utilizar el conocimiento previo. Tomando como base un esquema en árbol para la distribución de conceptos y utilizando métodos de enseñanza automática, se ha desarrollado un algoritmo que permite, para un conjunto dado de conceptos, identificar una sucesión de aprendizajes que minimiza la cantidad total de información invertida. Para ello, hubo que resolver ciertas dificultades sobrevenidas de un nuevo fenómeno llamado "interposición": no todo conocimiento previo resulta útil en cualquier ocasión. Si bien es un concepto identificado en un entorno de enseñanza automática, tiene similitudes con ciertos bloqueos en la enseñanza de las matemáticas, así como en ciertos fenómenos constatados en educación infantil, como el error A-no-B, primeramente documentado por J. Piaget.