Aprendizaje ágil en escenarios cambiantes (Educación Disruptiva & IA)

Juan Domingo Farnós

Si en el 2011 colaboré con un Master de la Universidad de Salamanca, en la que ya les hablaba sobre LAS METODOLOGÍAS AGILES en la gestión de proyectos cuyo interés supera el campo de la ingeniería de software, donde se habían desarrollado las dos décadas anteriores, y debido a la incertidumbre de los nuevos ciudadanos del siglo XXI y su gran dinamismo producen una gran brecha entre ellos mismos y las organizaciones con las que deben convivir….

Las metodologías ágiles en el ámbito de la educación se refieren a enfoques y prácticas que se inspiran en los principios ágiles del desarrollo de software y los aplican al proceso educativo y laboral. Estas metodologías se centran en la colaboración, la flexibilidad y la adaptabilidad, y buscan mejorar la forma en que se enseña y se aprende.

En el contexto de la educación disruptiva, las metodologías ágiles pueden ser especialmente relevantes. La educación disruptiva se basa en la idea de romper con los modelos tradicionales y crear nuevas formas de enseñanza y aprendizaje que se adapten a las necesidades y expectativas de los estudiantes en la era digital.

Las metodologías ágiles en la educación disruptiva pueden incluir enfoques como:

1. Aprendizaje basado en proyectos: Los estudiantes trabajan en proyectos reales, colaborando en equipos y aplicando conocimientos y habilidades en contextos prácticos. Se fomenta la autonomía, la creatividad y la resolución de problemas.
2. Design thinking: Se utiliza el pensamiento de diseño para abordar problemas educativos y desarrollar soluciones innovadoras. Los estudiantes se involucran en la identificación de desafíos, la generación de ideas, el prototipado y la iteración.
3. Aprendizaje colaborativo: Se promueve el trabajo en equipo, la comunicación y la colaboración entre los estudiantes. Se fomenta el intercambio de conocimientos y la construcción colectiva de significado.
4. Aprendizaje autoorganizado: Los estudiantes tienen un mayor grado de autonomía y responsabilidad en su propio proceso de aprendizaje. Se les brinda la oportunidad de establecer metas, planificar su tiempo y evaluar su propio progreso.
5. Iteración y retroalimentación continua: Se busca la mejora constante a través de la retroalimentación frecuente. Los estudiantes reciben comentarios tanto de sus pares como de los docentes, y se anima a realizar ajustes y mejoras en función de esa retroalimentación.

Estas metodologías ágiles en la educación disruptiva tienen como objetivo principal adaptarse a las necesidades y preferencias de los estudiantes, fomentando su participación activa, el pensamiento crítico, la resolución de problemas y el aprendizaje significativo. Al mismo tiempo, también promueven habilidades clave para el mundo laboral actual, como la colaboración, la comunicación efectiva y la capacidad de adaptación al cambio.

Si bien las habilidades clave para el mundo laboral actual, como la colaboración, la comunicación efectiva y la capacidad de adaptación al cambio, no se pueden detallar directamente en términos de tablas y algoritmos, puedo proporcionarte una descripción de cada una de ellas:

1. Colaboración: La colaboración se refiere a la capacidad de trabajar eficazmente en equipo, compartiendo ideas, conocimientos y responsabilidades para lograr un objetivo común. Algunas habilidades relacionadas con la colaboración incluyen:
   • Comunicación efectiva: Ser capaz de expresar ideas de manera clara y concisa, escuchar activamente a los demás y mantener una comunicación abierta y respetuosa.
   • Trabajo en equipo: Ser capaz de colaborar con otros, contribuir con ideas y esfuerzos, y comprometerse con el éxito del equipo.
   • Resolución de conflictos: Saber manejar los desacuerdos y los conflictos que puedan surgir en un entorno colaborativo, buscando soluciones mutuamente beneficiosas.
2. Comunicación efectiva: La comunicación efectiva implica transmitir información de manera clara, comprensible y persuasiva, tanto de forma verbal como escrita. Algunas habilidades relacionadas con la comunicación efectiva incluyen:
   • Escucha activa: Ser capaz de prestar atención a los demás, entender sus puntos de vista y responder de manera apropiada.
   • Comunicación no verbal: Ser consciente de la comunicación no verbal, como el lenguaje corporal y las expresiones faciales, y utilizarla para transmitir mensajes de manera efectiva.
   • Adaptación al público objetivo: Ser capaz de ajustar el estilo y el tono de la comunicación según el público al que te estás dirigiendo.
   • Habilidades de presentación: Ser capaz de presentar ideas y conceptos de manera clara y convincente, utilizando recursos visuales y técnicas de narración.
3. Capacidad de adaptación al cambio: La capacidad de adaptación al cambio implica ser flexible, abierto y receptivo a los cambios en el entorno laboral. Algunas habilidades relacionadas con la adaptación al cambio incluyen:
   • Flexibilidad: Estar dispuesto a ajustar las tareas, los enfoques y las estrategias a medida que surgen nuevos desafíos o se producen cambios en el entorno laboral.
   • Resiliencia: Ser capaz de hacer frente a la presión, superar obstáculos y recuperarse rápidamente de los contratiempos.
   • Aprendizaje continuo: Estar abierto a adquirir nuevos conocimientos y habilidades, y buscar oportunidades de desarrollo profesional para mantenerse actualizado en un entorno en constante cambio.

La inteligencia artificial (IA) puede tener un impacto significativo en los procesos relacionados con las habilidades de colaboración, comunicación efectiva y adaptación al cambio. Aquí hay un escenario comprensible para ilustrar cómo la IA puede influir en estas habilidades:

Imaginemos una empresa que utiliza un sistema de colaboración basado en IA para sus equipos de trabajo. Este sistema utiliza algoritmos de aprendizaje automático para analizar datos, identificar patrones y proporcionar recomendaciones para mejorar la eficiencia y la colaboración del equipo.

1. Colaboración: La IA puede ayudar a mejorar la colaboración al:
   • Analizar datos de comunicación y colaboración del equipo para identificar patrones de interacción y áreas de mejora. Por ejemplo, puede detectar si hay falta de participación de ciertos miembros del equipo o identificar posibles cuellos de botella en los flujos de trabajo.
   • Proporcionar recomendaciones basadas en análisis de datos para optimizar la asignación de tareas, la distribución de recursos y la gestión del tiempo. Esto ayuda a garantizar que todos los miembros del equipo estén trabajando de manera equitativa y eficiente hacia los objetivos comunes.
   • Facilitar la comunicación y la colaboración mediante la integración de herramientas de chat, videoconferencia y colaboración en tiempo real, lo que permite a los miembros del equipo comunicarse y compartir información de manera más rápida y efectiva, independientemente de su ubicación geográfica.
2. Comunicación efectiva: La IA puede mejorar la comunicación efectiva al:
   • Utilizar algoritmos de procesamiento del lenguaje natural para analizar y comprender el tono y el sentimiento en las interacciones escritas o verbales. Esto puede ayudar a identificar posibles problemas de comunicación o conflictos y proporcionar sugerencias para mejorar la claridad y la empatía en la comunicación.
   • Ofrecer herramientas de traducción automática y transcripción de voz en tiempo real, permitiendo la comunicación fluida entre personas que hablan diferentes idiomas o tienen diferentes preferencias de comunicación.
   • Proporcionar asistentes virtuales impulsados por IA que puedan ayudar en la redacción de correos electrónicos, informes o presentaciones, ofreciendo sugerencias de palabras o frases adecuadas para diferentes audiencias.
3. Adaptación al cambio: La IA puede apoyar la adaptación al cambio al:
   • Analizar grandes volúmenes de datos y tendencias del mercado para identificar cambios significativos en la industria o en el entorno laboral. Esto permite a las empresas y a los individuos anticipar cambios, ajustar estrategias y tomar decisiones informadas.
   • Proporcionar recomendaciones personalizadas de desarrollo profesional y aprendizaje continuo en función de las habilidades actuales y las demandas del mercado laboral. La IA puede analizar los perfiles individuales y sugerir cursos, recursos o experiencias de aprendizaje relevantes para fomentar la adaptabilidad y mantenerse al día con las nuevas tendencias.
   • Automatizar tareas rutinarias y repetitivas, liberando tiempo y recursos para que los empleados se concentren en actividades que requieran habilidades humanas, como la resolución de problemas complejos y la toma de decisiones estratégicas.

Detalles sobre programas y herramientas que se pueden utilizar en cada uno de los apartados, así como la influencia de la inteligencia artificial (IA) sobre el aprendizaje y el trabajo de las personas:

1. Colaboración:
   • Herramientas de gestión de proyectos: Aplicaciones como Trello, Asana o Jira permiten organizar tareas, asignar responsabilidades, establecer plazos y facilitar la colaboración en equipos.
   • Plataformas de comunicación: Aplicaciones como Slack, Microsoft Teams o Google Meet ofrecen canales de comunicación instantánea, videollamadas y compartición de archivos para facilitar la colaboración y la comunicación en tiempo real.
   • Influencia de la IA: La IA puede analizar los datos generados por estas herramientas de colaboración para identificar patrones de rendimiento, evaluar la carga de trabajo y proporcionar recomendaciones para optimizar la asignación de tareas y mejorar la eficiencia del equipo.
2. Comunicación efectiva:
   • Herramientas de asistencia de redacción: Programas como Grammarly o Hemingway Editor ayudan a mejorar la gramática, la claridad y el estilo de escritura, proporcionando sugerencias y correcciones automáticas.
   • Traductores automáticos: Servicios como Google Translate o DeepL ofrecen traducción automática para facilitar la comunicación entre personas que hablan diferentes idiomas.
   • Influencia de la IA: La IA puede analizar el contenido y el tono de la comunicación escrita o verbal, ofreciendo retroalimentación en tiempo real sobre la claridad del mensaje, la empatía y la adecuación al público objetivo. También puede ayudar a desarrollar chatbots conversacionales que brinden respuestas automatizadas en base a preguntas frecuentes.
3. Adaptación al cambio:
   • Plataformas de aprendizaje en línea: Plataformas como Coursera, Udemy o edX ofrecen cursos en línea sobre una amplia variedad de temas, permitiendo el aprendizaje continuo y la adquisición de nuevas habilidades.
   • Herramientas de análisis de datos: Software como Tableau, Power BI o Google Analytics ayudan a analizar grandes volúmenes de datos y a identificar tendencias, patrones y cambios significativos en el mercado o en el entorno laboral.
   • Influencia de la IA: La IA puede analizar los datos generados por los usuarios en las plataformas de aprendizaje en línea, proporcionando recomendaciones personalizadas de cursos y recursos basados en el perfil y las preferencias del usuario. También puede ayudar a automatizar tareas rutinarias y repetitivas, permitiendo a las personas centrarse en tareas que requieren habilidades más complejas.

La influencia de la IA sobre el aprendizaje y el trabajo de las personas radica en su capacidad para analizar grandes cantidades de datos, automatizar tareas rutinarias y ofrecer recomendaciones personalizadas. Esto facilita el aprendizaje continuo, la mejora de habilidades y la optimización de la productividad en el entorno laboral. Al mismo tiempo, la IA también puede ayudar a mejorar la comunicación efectiva y la colaboración en equipos, identificando áreas de mejora y proporcionando retroalimentación valiosa.

Debido a que hoy aun persiste una especialización en la educación formal y formalizadora, faltan competencias transversales y multidisiplinares, lo que hace que nuestras habilidades no se correspondan bajo un prisma intrapersonal e instrumental y lo que es peor se ha instaurado de manera sistematizada y no sistémica que sería una característica propia de una cultura, pero ni asi se ha producido, por lo que la brecha permanece en el espacio y en el tiempo.

Competencia	Función
Pensamiento crítico	Evaluar, analizar y sintetizar información de manera objetiva y lógica, identificando supuestos y falacias, para tomar decisiones fundamentadas.
Resolución de problemas	Identificar, analizar y encontrar soluciones efectivas a situaciones complejas o ambiguas, utilizando un enfoque estructurado y creativo.
Comunicación efectiva	Transmitir información de manera clara, coherente y persuasiva, adaptándose a diferentes audiencias y canales de comunicación.
Trabajo en equipo	Colaborar de manera efectiva con otros, aportando habilidades interpersonales, respeto mutuo y contribuyendo al logro de objetivos comunes.
Creatividad	Generar ideas originales, pensar fuera de lo convencional y encontrar soluciones innovadoras a los desafíos.
Adaptabilidad	Ajustarse y responder de manera positiva y flexible a los cambios en el entorno laboral, adquiriendo nuevas habilidades y perspectivas.
Pensamiento sistémico	Comprender las interacciones y relaciones entre diferentes componentes de un sistema, considerando las implicaciones a largo plazo y las consecuencias no deseadas.
Inteligencia emocional	Reconocer, comprender y manejar las emociones propias y de los demás, cultivando relaciones positivas y efectivas en el entorno laboral.

Estas competencias transversales y multidisciplinares son fundamentales en el entorno laboral actual, ya que trascienden áreas específicas de conocimiento y se aplican en diversas situaciones y contextos. Ayudan a las personas a desarrollar habilidades interpersonales, a enfrentar desafíos complejos y a adaptarse a un entorno cambiante. Además, fomentan el pensamiento crítico, la creatividad y la capacidad de trabajar en equipo de manera efectiva.

Les explicaba, lo cual hago también ahora, es que necesitamos escenarios cambiables, mutables y por tanto en permanente dinamismo, que abarcan procesos y no finalidades, con lo que la predicción de resultados y la segregación de los mismos pasa a un segundo plano y la aparición de un valor genuino, decía antes y ahora digo valor añadido es trascendente para cerrar esta brecha y poner en valor nuestras actuaciones presentes y futuras.

Escenario: Integración de nuevas tecnologías en el entorno laboral Proceso: Implementación de herramientas de colaboración basadas en IA

Etapa del proceso	Función
Análisis de necesidades	Evaluar los desafíos y necesidades de colaboración en el entorno laboral y determinar qué herramientas basadas en IA pueden mejorar la eficiencia y la colaboración.
Selección de herramientas	Investigar y evaluar diferentes opciones de herramientas de colaboración basadas en IA, considerando características, compatibilidad, seguridad y escalabilidad.
Implementación y configuración	Instalar y configurar la herramienta seleccionada, integrándola con los sistemas existentes, estableciendo permisos y roles adecuados, y personalizando la configuración según las necesidades del equipo.
Capacitación y adopción	Brindar capacitación y soporte a los miembros del equipo para familiarizarse con la nueva herramienta, promoviendo su adopción y asegurando un uso efectivo.
Monitoreo y mejora continua	Evaluar regularmente el uso de la herramienta de colaboración basada en IA, recopilar comentarios de los usuarios y realizar ajustes o mejoras para optimizar su funcionalidad y beneficios.

Escenario: Resolución de problemas en un entorno de trabajo complejo Proceso: Aplicación del pensamiento crítico y la resolución de problemas

Árbol de decisiones:

luaCopy code1. Identificar el problema
   |
   |-- 2. Recopilar información relevante
   |    |
   |    |-- 3. Analizar la información
   |    |    |
   |    |    |-- 4. Identificar posibles causas
   |    |    |
   |    |    |-- 5. Evaluar implicaciones y consecuencias
   |
   |-- 6. Generar opciones de solución
   |    |
   |    |-- 7. Evaluar pros y contras de cada opción
   |    |
   |    |-- 8. Seleccionar la mejor opción
   |
   |-- 9. Implementar la solución
   |
   |-- 10. Evaluar los resultados y realizar ajustes si es necesario

En este escenario, el árbol de decisiones representa el proceso de resolución de problemas, desde la identificación del problema hasta la implementación de la solución, pasando por etapas de recopilación de información, análisis, generación de opciones y evaluación.

Estos escenarios y procesos ilustran cómo se pueden abordar situaciones cambiantes y mutables en entornos laborales, utilizando enfoques estructurados y flexibles para tomar decisiones, implementar cambios y resolver problemas. Si bien no se trata de algoritmos específicos, estos procesos proporcionan una guía general para enfrentar desafíos y adaptarse a los cambios en el entorno laboral.

Ejemplos de cómo se puede introducir la inteligencia artificial (IA) en posibles algoritmos para abordar escenarios cambiables y mutables en entornos laborales:

1. Algoritmo de análisis y adaptación al cambio:
   1. Recopilar datos relevantes sobre el entorno laboral y las tendencias del mercado.
   2. Utilizar algoritmos de aprendizaje automático para analizar los datos y detectar patrones de cambio.
   3. Identificar posibles áreas de impacto y oportunidades emergentes.
   4. Generar recomendaciones y estrategias para adaptarse al cambio, como el desarrollo de nuevas habilidades o la implementación de soluciones tecnológicas.
   5. Evaluar regularmente los resultados y ajustar el enfoque en función de los cambios identificados.
2. Algoritmo de colaboración basada en IA:
   1. Analizar datos de colaboración, como la comunicación y el desempeño del equipo.
   2. Utilizar algoritmos de procesamiento del lenguaje natural para evaluar la calidad y la eficiencia de la colaboración.
   3. Identificar patrones y áreas de mejora, como la participación desigual de los miembros del equipo o los cuellos de botella en los flujos de trabajo.
   4. Generar recomendaciones para optimizar la asignación de tareas, la distribución de recursos y la gestión del tiempo.
   5. Facilitar la comunicación y la colaboración en tiempo real mediante el uso de chatbots o asistentes virtuales para proporcionar respuestas automatizadas y ayudar en la coordinación del equipo.
3. Algoritmo de análisis de sentimiento y comunicación efectiva:
   1. Analizar datos de comunicación, como correos electrónicos, mensajes o interacciones en redes sociales.
   2. Utilizar algoritmos de procesamiento del lenguaje natural para identificar el tono y el sentimiento en los mensajes.
   3. Evaluar la efectividad de la comunicación y la satisfacción de los involucrados.
   4. Identificar áreas de mejora, como la claridad del mensaje, la empatía o la adecuación al público objetivo.
   5. Generar sugerencias y recomendaciones para mejorar la comunicación, como el uso de palabras o frases más apropiadas o la adaptación del mensaje a la audiencia específica.

Estos ejemplos ilustran cómo se puede utilizar la inteligencia artificial en algoritmos para adaptarse al cambio, mejorar la colaboración y facilitar una comunicación efectiva en entornos laborales cambiables y mutables. La IA ayuda a analizar grandes volúmenes de datos, identificar patrones y generar recomendaciones personalizadas, lo que permite a las organizaciones y a los individuos tomar decisiones informadas y optimizar su rendimiento en un entorno en constante evolución.

La inteligencia artificial (IA) también desempeña un papel importante en escenarios cambiantes en el ámbito educativo, especialmente en el contexto de la educación disruptiva. A continuación, te presento algunas relaciones entre la IA y los escenarios educacionales cambiantes, junto con ejemplos de árboles, tablas y algoritmos que pueden aplicarse:

1. Personalización del aprendizaje:
   • Árbol de decisiones:

luaCopy code1. Identificar las necesidades y preferencias de aprendizaje del estudiante.
   |
   |-- 2. Recopilar datos sobre el rendimiento y los intereses del estudiante.
   |
   |-- 3. Utilizar algoritmos de aprendizaje automático para analizar los datos.
   |
   |-- 4. Generar recomendaciones personalizadas de recursos y actividades de aprendizaje.

En este escenario, la IA recopila y analiza datos sobre el rendimiento y los intereses del estudiante para ofrecer recomendaciones personalizadas de recursos y actividades de aprendizaje, adaptándose a las necesidades individuales.

2. Retroalimentación automatizada:
   • Tabla de comparación:

Método de Retroalimentación	Características
Retroalimentación tradicional	Proporcionada por profesores, basada en su evaluación y comentarios.
Retroalimentación automatizada	Generada por algoritmos de IA, utilizando técnicas de procesamiento del lenguaje natural y análisis de patrones en respuestas de los estudiantes.

En este caso, la IA utiliza técnicas de procesamiento del lenguaje natural y análisis de patrones para proporcionar retroalimentación automatizada a los estudiantes, complementando la retroalimentación tradicional brindada por los profesores.

3. Apoyo en la toma de decisiones educativas:
   • Algoritmo de recomendación de cursos:

luaCopy code1. Recopilar información sobre los intereses y objetivos educativos del estudiante.
   |
   |-- 2. Analizar los datos recopilados utilizando algoritmos de IA.
   |
   |-- 3. Comparar los datos del estudiante con una base de datos de cursos.
   |
   |-- 4. Generar recomendaciones de cursos relevantes y adecuados al estudiante.

Este algoritmo utiliza la IA para analizar los intereses y objetivos educativos del estudiante, compararlos con una base de datos de cursos y ofrecer recomendaciones personalizadas.

Aunque hay similitudes entre los escenarios cambiantes en entornos laborales y educacionales, también existen algunas diferencias. En el ámbito educativo, la IA se utiliza para personalizar el aprendizaje, brindar retroalimentación automatizada y ofrecer recomendaciones de cursos. Estos enfoques se centran en las necesidades y preferencias individuales de los estudiantes, con el objetivo de optimizar su proceso de aprendizaje. Por otro lado, en entornos laborales, la IA se emplea para mejorar la colaboración, optimizar procesos y tomar decisiones informadas en un contexto empresarial.

La IA desempeña un papel fundamental en los escenarios cambiantes de la educación disruptiva al personalizar el aprendizaje, brindar retroalimentación automatizada y ofrecer recomendaciones de cursos. Estas aplicaciones ayudan a los estudiantes a adaptarse a las demandas cambiantes.

Árbol de decisiones que diferencia entre un escenario educativo y un escenario laboral:

1. Identificar el contexto:
   • ¿El escenario se desarrolla en un entorno educativo?
     • Sí: Continuar con el árbol de decisiones educativo.
     • No: Continuar con el árbol de decisiones laboral.

Escenario educativo:

1. Identificar el objetivo del proceso educativo:
   • ¿El objetivo es proporcionar conocimientos y habilidades a los estudiantes?
     • Sí: Continuar con el árbol de decisiones educativo centrado en la enseñanza y el aprendizaje.
     • No: Considerar otras opciones relacionadas con la gestión educativa, como la planificación de currículos o la evaluación institucional.

Escenario laboral:

1. Identificar el objetivo del proceso laboral:
   • ¿El objetivo es mejorar la eficiencia y la productividad en un entorno de trabajo?
     • Sí: Continuar con el árbol de decisiones laboral centrado en la mejora de procesos y la toma de decisiones laborales.
     • No: Considerar otros aspectos relacionados con la gestión del talento o la cultura organizativa.

Este es solo un ejemplo simplificado de cómo se podría diferenciar entre escenarios educativos y laborales utilizando un árbol de decisiones. Es importante tener en cuenta que la realidad puede ser más compleja y requerir una mayor cantidad de nodos y ramificaciones para abarcar todas las posibles situaciones y contextos. Además, los árboles de decisiones pueden variar según los objetivos específicos de cada escenario y las características del entorno educativo o laboral en particular.

En todo eso necesitamos píldoras con periodos cortos, intensos de aprendizaje con un desarrollo ITERATIVO y PERSONALIZADO permeable a cualquier cambio que se vaya produciendo, tanto des de dentro a afuera como de afuera a adentro, o permaneciendo fuera, y me refiero al circuito educativo oficial, naturalmente:

. El aprendizaje organizacional y ágil, entonces ocurre cuando individuos dentro de una organización tiene un problema (detección de errores) y trabajan en la solución de este problema (corrección de errores), pero la diferencia con lo que hacían antes es que ahora como dice Julian Stodd:

-“Se trata de PREGUNTAR todo. El hecho de que lo hicieras así ayer no significa que deberíamos hacerlo de esa manera mañana. En la era social, el cambio es constante. Hacer lo que siempre hiciste no funcionará más. Cuestionar todo. Es un buen hábito para la agilidad.

-APRENDER es constante si eres ágil. Si no estás aprendiendo, estás estancada, letárgica, atascada. Los estudiantes ágiles llegan a sus redes y comunidades para crear significado. Utilizan la tecnología para acceder al conocimiento y refinarlo, filtrarlo, crear significado.

-REFINAR es el proceso de filtrar lo sin sentido y contextualizar el resto. Los estudiantes ágiles y los líderes sociales hacen esto constantemente, curando una reputación de calidad.

-HACER es mejor que pensar demasiado. La agilidad consiste en quedarse atrapado, pero constantemente refinando. Es una mentalidad de investigación de acción, acerca de cometer errores y aprender.

-Los ERRORES son inevitables: las organizaciones que quieren ser ágiles necesitan crear entornos permisivos para que podamos tropezar mientras aprendemos.

-EDITAR es cómo refinamos nuestras acciones, cómo hacemos los pequeños cambios que nos hacen ágiles”

Como plan inicial de nuestros planteamientos disruptivos incluiremos objetivos, preguntas, tareas, grupos de interés, plazos e instrumentos / métodos. Se debe definir “lo que estemos tratando de investigar, sino también cómo se va a ir sobre ello” ( Crompton, 1997 ), pero eso sólo debe ser a manera de planteamiento inicial, luego deberán coger un camino ABIERTO, INCLUSIVO y sobre todo, que sea posible llevarlos a cabo en cualquier situación espacio-temporal (UBICUIDAD). El aprendizaje ubicuo es un nuevo paradigma educativo posible, digamos que es lo que se viene venir… en parte por las potencialidades de los medios digitales y en parte, por la redistribución económico-político-educativa y social…con la que ha establecido esta nueva Sociedad.

Junto a este espacio de ambigüedad hay una fortaleza en el prototipado y la iteración: la organización Socialmente Dinámica no es ágil por excelencia inmediata, sino más bien por su capacidad de aprender y aprender a ser excelente. En este tipo de organización veríamos muchas capas de narración: historias personales de aprendizaje y cambio con el tiempo, historias co-creadas mientras la organización encuentra su camino, y una historia organizacional basada en lo personal y co-creada. Una historia escrita por todos los niveles de la organización, no sólo por el liderazgo e impuesto a los individuos.

La fortaleza de la organización Socialmente Dinámica radica en su capacidad de prototipado y iteración continua. A diferencia de la agilidad inmediata, que busca la excelencia instantánea, una organización Socialmente Dinámica se centra en aprender y aprender a ser excelente a lo largo del tiempo. Esto implica la adopción de un enfoque de mejora continua, donde el prototipado y la iteración desempeñan un papel fundamental.

El prototipado se refiere a la creación de versiones preliminares o modelos de un producto, servicio o proceso antes de su implementación completa. Esto permite obtener retroalimentación temprana y valiosa de los usuarios o interesados ​​y realizar ajustes y mejoras antes de comprometer recursos significativos. El prototipado puede adoptar diferentes formas, como prototipos físicos, prototipos virtuales o incluso simulaciones.

Por otro lado, la iteración implica repetir y ajustar el proceso de desarrollo o mejora a medida que se obtiene retroalimentación y se adquiere nuevo conocimiento. Cada iteración se basa en las lecciones aprendidas de las iteraciones anteriores y busca mejorar de manera incremental el producto, servicio o proceso. La iteración permite adaptarse a los cambios y desafíos emergentes, así como aprovechar nuevas oportunidades a medida que surgen.

Ejemplo práctico de cómo se puede aplicar el prototipado y la iteración en una organización Socialmente Dinámica:

Imaginemos una empresa de desarrollo de software que adopta una mentalidad de prototipado e iteración:

1. Prototipado:
   • Identificar una nueva funcionalidad o característica para un producto de software.
   • Desarrollar un prototipo de baja fidelidad o un boceto inicial de la funcionalidad.
   • Obtener retroalimentación de los usuarios a través de pruebas de usabilidad o grupos de enfoque.
   • Realizar ajustes y mejoras en el prototipo en función de la retroalimentación recibida.
2. Iteración:
   • Desarrollar una primera versión del producto de software con la funcionalidad propuesta.
   • Lanzar la primera versión a un grupo selecto de usuarios.
   • Recopilar comentarios y datos de uso de los usuarios.
   • Analizar los datos y retroalimentación recibidos.
   • Identificar áreas de mejora y oportunidades para optimizar la funcionalidad.
   • Realizar ajustes y mejoras en la próxima versión del producto.
   • Repetir el ciclo de iteración para cada nueva versión, incorporando gradualmente nuevas funcionalidades y mejoras basadas en la retroalimentación y el aprendizaje continuo.

Este enfoque de prototipado e iteración permite a la organización adaptarse rápidamente a los cambios del mercado y las necesidades de los usuarios, mientras se mejora continuamente la calidad y la experiencia del producto. A medida que se obtiene más conocimiento y se perfecciona la solución, la organización avanza hacia la excelencia, siempre buscando aprender y crecer de manera constante.

El concepto de prototipado y iteración en una organización Socialmente Dinámica se puede representar a través de un algoritmo iterativo. A continuación, te presento un ejemplo de cómo se podría estructurar dicho algoritmo:

markdownCopy code1. Inicializar el prototipo:
   - Identificar el objetivo o la mejora que se desea implementar.
   - Desarrollar un prototipo inicial que aborde esa mejora.

2. Obtener retroalimentación:
   - Lanzar el prototipo a un grupo selecto de usuarios o interesados.
   - Recopilar comentarios, datos de uso y cualquier otra forma de retroalimentación.

3. Analizar la retroalimentación:
   - Evaluar los comentarios y datos recopilados.
   - Identificar patrones, tendencias y áreas de mejora.

4. Realizar ajustes y mejoras:
   - Utilizar la retroalimentación obtenida para realizar ajustes en el prototipo.
   - Implementar mejoras y cambios basados en los hallazgos y las necesidades identificadas.

5. Iterar:
   - Volver al paso 2 y repetir el proceso de obtención de retroalimentación y análisis.
   - Realizar ajustes adicionales en cada iteración, incorporando gradualmente mejoras y nuevas funcionalidades.

6. Converger hacia la solución final:
   - Continuar el ciclo de iteraciones hasta que se alcance una solución óptima o se cumplan los objetivos establecidos.

7. Finalizar:
   - Implementar la solución finalizada en su forma definitiva.
   - Monitorear y evaluar continuamente su rendimiento y eficacia.

8. Identificar nuevas oportunidades:
   - Permanecer atento a nuevas necesidades, desafíos o posibles mejoras.
   - Reiniciar el proceso de prototipado y iteración para abordar las nuevas oportunidades identificadas.

9. Fin del algoritmo.

Este algoritmo representa la naturaleza iterativa y evolutiva del prototipado y la mejora continua en una organización Socialmente Dinámica. Cada iteración permite aprender de la retroalimentación y realizar ajustes en el prototipo, acercándose cada vez más a una solución final óptima.

Es importante destacar que la cantidad de iteraciones puede variar según las necesidades y objetivos específicos de cada proyecto o mejora. Además, durante el proceso de iteración, pueden aplicarse diferentes técnicas y enfoques, como el análisis de datos, la observación directa de usuarios o la utilización de métricas de rendimiento, para respaldar la toma de decisiones y la mejora del prototipo.

El algoritmo de prototipado e iteración en una organización Socialmente Dinámica permite aprender, adaptar y mejorar constantemente, brindando un enfoque ágil y flexible para abordar desafíos y aprovechar oportunidades en la búsqueda de la excelencia.

Para ilustrar cómo se pueden aplicar diferentes técnicas y enfoques durante el proceso de iteración en una organización Socialmente Dinámica, te proporcionaré ejemplos específicos utilizando árboles y tablas:

Árbol de decisiones para seleccionar técnicas y enfoques durante el proceso de iteración:

1. Identificar el objetivo del prototipo o mejora:
   • ¿El objetivo es mejorar la usabilidad del producto?
     • Sí: Continuar con las técnicas de evaluación de usabilidad.
     • No: Continuar con las siguientes preguntas.
2. ¿Se requiere recopilar datos cuantitativos para respaldar la toma de decisiones?
   • Sí: Aplicar técnicas de análisis de datos y métricas de rendimiento.
   • No: Continuar con las siguientes preguntas.
3. ¿Se necesita comprender las necesidades y expectativas de los usuarios de manera más profunda?
   • Sí: Realizar entrevistas o encuestas con los usuarios.
   • No: Continuar con las siguientes preguntas.
4. ¿Se requiere una observación directa del comportamiento de los usuarios?
   • Sí: Realizar pruebas de usabilidad o estudios de observación.
   • No: Continuar con las siguientes preguntas.
5. ¿Se necesita obtener retroalimentación cualitativa y descriptiva de los usuarios?
   • Sí: Realizar sesiones de grupo de enfoque o entrevistas en profundidad.
   • No: Continuar con el siguiente paso.

Tabla de técnicas y enfoques durante el proceso de iteración:

Objetivo	Técnicas y enfoques
Mejorar la usabilidad	Evaluación de usabilidad, pruebas de usabilidad
Recopilar datos cuantitativos	Análisis de datos, métricas de rendimiento
Comprender las necesidades de los usuarios	Entrevistas, encuestas
Observar el comportamiento de los usuarios	Pruebas de usabilidad, estudios de observación
Obtener retroalimentación cualitativa	Sesiones de grupo de enfoque, entrevistas en profundidad

Estas técnicas y enfoques se pueden aplicar en diferentes etapas del proceso de iteración para obtener información valiosa sobre las necesidades y expectativas de los usuarios, identificar áreas de mejora y respaldar la toma de decisiones informadas. Al combinar estas técnicas de manera adecuada, una organización Socialmente Dinámica puede maximizar su capacidad de aprendizaje y adaptación continua.

Es importante tener en cuenta que las técnicas y enfoques mencionados son solo ejemplos y que la selección real de las técnicas dependerá de las características y objetivos específicos de cada proyecto o mejora. Además, las técnicas y enfoques pueden combinarse o ajustarse según sea necesario para obtener los mejores resultados en términos de aprendizaje y mejora continua.

De esta manera siempre podremos estar en constante innovación, preparados para ella:

–¿Cómo hacer que el trabajo el aprendizaje siempre puedan estar en constante innovación para de esta manera ser siempre nuevos?.

–¿Cómo romper la barrera de mando y control – y crear el máximo rendimiento (organización en red)

–¿Cómo pueden las organizaciones hacer frente a la complejidad cada vez mayor?

–¿Cómo ajustar una organización en crecimiento, sin caer en la trampa de la jerarquía burocratizada?

–¿Cómo llegar a ser más capaces de adaptarse a las nuevas circunstancias?

–¿Cómo superar las barreras existentes para el rendimiento, la innovación y el crecimiento?

–¿Cómo se convertirá en una organización adaptada a los seres humanos, y lograr mayor compromiso?

–¿Cómo producir cambios profundos, sin chocar con las brechas sociales, económicas, digitales…?

Cuando la gente dice que algo es auténtico, por lo general significa que es real o verdadero, no es falso. En la educación, el concepto tiene que ver con cómo es el “mundo real”, el aprendizaje o la tarea. Autenticidad aumenta la motivación y el aprendizaje de los estudiantes. Un proyecto puede ser auténtico de varias maneras, a menudo en combinación.

‘Hecho posible’ significa que no hay relación directa determinista entre la tecnología y el cambio social. En efecto, las instituciones educativas en todos los niveles han demostrado ser muy eficaces en la adaptación de estos nuevos recursos a sus prácticas tradicionales y el contenido, y no al revés.

Las tecnologías digitales y llegan casi de inmediato, rompen con viejas prácticas pedagógicas de la enseñanza didáctica, con la entrega de contenido para la ingestión de estudiantes y de prueba para las respuestas correctas se asignan en ellos y llamó a un “sistema de gestión del aprendizaje”. Algo cambia, cuando esto sucede, pero lamentablemente, no es mucho.

Cuando las tecnologías digitales y la inteligencia artificial (IA) se introducen en el ámbito educativo, es cierto que se produce un cambio significativo en las prácticas pedagógicas tradicionales. Sin embargo, es importante reconocer que este cambio no es automático ni garantiza una transformación profunda en la educación. A continuación, se detallan las implicaciones de este cambio y las limitaciones que aún persisten:

1. Superando las prácticas de enseñanza didáctica:
   • Antes: Las prácticas pedagógicas tradicionales se centraban en la entrega de contenido por parte del profesor y en la evaluación basada en respuestas correctas.
   • Ahora: Las tecnologías digitales y la IA ofrecen nuevas oportunidades para la personalización del aprendizaje, el acceso a recursos educativos en línea y la interacción con el contenido de manera más dinámica.
2. Introducción de sistemas de gestión del aprendizaje:
   • Antes: Los sistemas de gestión del aprendizaje (Learning Management Systems, LMS) se utilizaban principalmente como plataformas para organizar y entregar contenido educativo en línea.
   • Ahora: Los LMS, junto con la IA, pueden ofrecer funciones más avanzadas, como la adaptación del contenido según el nivel de habilidad del estudiante, la generación de recomendaciones personalizadas y el seguimiento del progreso del aprendizaje.

Sin embargo, es importante tener en cuenta las siguientes limitaciones y desafíos:

1. Cambio superficial:
   • La simple introducción de tecnologías digitales y la IA no garantiza una transformación profunda en la educación. Para que el cambio sea significativo, se requiere una reflexión crítica sobre las prácticas educativas y la integración efectiva de estas tecnologías en los procesos de enseñanza y aprendizaje.
2. Enfoque centrado en la tecnología:
   • Existe el riesgo de que el enfoque se centre demasiado en la tecnología en sí misma, en lugar de en su impacto educativo. Es importante recordar que la tecnología es solo una herramienta y debe utilizarse de manera pedagógicamente efectiva para lograr mejores resultados de aprendizaje.
3. Brecha en el acceso y la competencia digital:
   • La introducción de tecnologías digitales y la IA puede acentuar la brecha existente en el acceso a la tecnología y las habilidades digitales entre los estudiantes. Es fundamental abordar esta brecha para garantizar una participación equitativa y efectiva de todos los estudiantes.
4. Equilibrio entre lo humano y lo tecnológico:
   • Si bien la tecnología puede mejorar los procesos educativos, es importante encontrar un equilibrio adecuado entre el uso de la tecnología y la interacción humana. La presencia de un profesor capacitado y la colaboración entre estudiantes siguen siendo aspectos fundamentales para un aprendizaje significativo.

Si bien la introducción de tecnologías digitales y la IA en la educación representa un cambio importante, es esencial reconocer que este cambio no se trata solo de adoptar nuevas herramientas, sino de repensar y transformar las prácticas pedagógicas para aprovechar al máximo el potencial de estas tecnologías y mejorar los resultados de aprendizaje de los estudiantes.

Algoritmo para la integración de tecnologías digitales y la IA en la educación:

1. Reflexión y planificación:
   • Realizar una evaluación de las prácticas pedagógicas actuales.
   • Identificar objetivos claros para la integración de tecnologías y la IA en la educación.
   • Establecer un plan estratégico para la implementación.
2. Selección y configuración de herramientas tecnológicas:
   • Investigar y seleccionar tecnologías digitales y sistemas de IA apropiados para los objetivos educativos.
   • Configurar las herramientas seleccionadas según las necesidades específicas del entorno educativo.
3. Personalización del aprendizaje:
   • Utilizar algoritmos de adaptación para personalizar el contenido y la experiencia de aprendizaje según las necesidades individuales de los estudiantes.
4. Recopilación y análisis de datos:
   • Implementar algoritmos de recopilación y análisis de datos para obtener información sobre el progreso del aprendizaje de los estudiantes.
   • Identificar patrones y tendencias en los datos recopilados para tomar decisiones informadas sobre la mejora del proceso educativo.
5. Integración de la IA en la retroalimentación:
   • Implementar algoritmos de IA para proporcionar retroalimentación personalizada y detallada a los estudiantes, identificando fortalezas y áreas de mejora.
6. Promoción de la competencia digital:
   • Desarrollar programas de capacitación en competencias digitales para estudiantes y profesores.
   • Implementar algoritmos de evaluación para medir y mejorar la competencia digital de los participantes.
7. Evaluación continua y ajustes:
   • Realizar evaluaciones regulares del impacto de la integración de tecnologías y la IA en la educación.
   • Realizar ajustes en el plan estratégico y en la selección de herramientas en base a los resultados y retroalimentación obtenidos.

Es importante destacar que estos algoritmos son una representación general y simplificada de los pasos que se pueden seguir en la integración de tecnologías y la IA en la educación. En la práctica, los algoritmos específicos pueden variar según las necesidades y objetivos de cada institución educativa, así como las herramientas tecnológicas utilizadas.

Y otro calificativo: “potencialidad” significa que podemos hacer algunas cosas fácilmente ahora, y están más inclinados a hacer estas cosas de lo que eran antes, simplemente porque son más fáciles.

La tecnología se convierte en una invitación a hacer las cosas mejor, a menudo de tal manera que algunas personas han estado diciendo durante mucho tiempo que se debe hacer.

Los ordenadores hacen que sea más fácil las prácticas de aprendizaje social que eran muchas veces irrealizables o hechas a contrapelo por su falta de sentido práctico idealista, en cambio ahora son visibles.

Lo que estamos presenciando es un conjunto de cambios sociales y culturales (así como los cambios tecnológicos), en gran parte basada en actividades de aprendizaje fuera de las escuelas y Universidades – el café, el hogar, la red social, el ambiente de juego, los medios de comunicación y la cultura popular, el lugar de trabajo – que refleja de nuevo en un conjunto de expectativas de cambio por parte de los jóvenes acerca de lo que sus experiencias de aprendizaje dentro del aula debe ser similar a lo que realmente hacen y viven fuera de ellas.

Los procesos de aprendizaje, las motivaciones y la adecuación a los contextos prácticos de la vida ordinaria son cambiadas por este cambio de énfasis, como es la necesidad de la escuela de reorganizarse y ponerse a la altura de estos “otros aprendizajes”, que muchas veces llamamos INFORMALES ( Jay Cross).

Esta es la revolución que algunos describimos como “aprendizaje ubicuo”. (Juan Domingo Farnós Miro-2004)

En términos generales, las áreas a considerar en la incorporación de los que se conoce como e-aprendizaje de manera efectiva estaría relacionado con:

……-¿El aprendizaje-es el adecuado a la pedagogía?…..

a-Infraestructura – será el entorno de apoyo a mis necesidades?

b-Tecnología – es la tecnología adecuada y puedo / estudiantes lo utilizan?

c-Identificación y análisis de los prejuicios y suposiciones antes de su uso puede garantizar los posibles obstáculos para el acceso o la eficacia se tienen en cuenta adecuadamente en el diseño de desarrollo y planificación.

Con todo ello se van obteniendo comentarios cualitativos de los estudiantes de diversos orígenes (diversidad y valor añadido=inclusividad).

La diversidad de pensamiento crea “interrupción constructiva” (DISRUPCION-EDUCACION DISRUPTIVA) que pueden influir en las nuevas formas de pensar, innovación y nuevas iniciativas, lo que nos lleva a crear un nuevo paradigma.

Cada vez más vamos a situaciones donde “las organizaciones que definen a las personas, las personas definen a las instituciones”.

Estamos próximos a la posibilidad de utilizar agentes que comprenden contextos, que sean capaces de hacer “coherente” el sentido de los flujos de datos variados para buscar información, descubrir y proporcionar el contenido necesario para cada uno..

Una cosa que me parece fascinante la idea de que se podrá crear un “perfil de aprendizaje”, una identidad que es esencialmente un paquete digital de nuestras preferencias de aprendizaje y los contenidos del aprendizaje del pasado, que se podrá acceder por las máquina (PERSONALIZED LEARNING + MACHINE LEARNING. by Juan Domingo Farnos)

Esto permitirá que la “máquina” en realidad adapte sus interfaces de usuario, el contenido de aprendizaje y la experiencia en sí misma, y presentar información de una manera que se adapte a las preferencias de los humanos….eso sin duda nos lleva a la VERDADERA SOCIEDAD INTELIGENTE..

Necesitamos escenarios cambiables, mutables y por tanto en permanente dinamismo, que abarcan procesos y no finalidades, con lo que la predicción de resultados y la segregación de los mismos pasa a un segundo plano y la aparición de un valor genuino, decía antes y ahora digo valor añadido es trascendente para cerrar esta brecha y poner en valor nuestras actuaciones presentes y futuras.

Ahora y gracias al Mobile learning y a los procesos síncronos y asíncronos de la web 2.0, somos capaces de llevarlo a cabo, especialmente de manera distribuida la cual necesitara una constante retroalimentación basandose en las diferentes tipologías en las estructuras mentales de aprendizaje y las venidas de las experiencias personales y en red, lo que denominamos PLE y PLN, que serían el aprendizaje más sistémico y el aprendizaje intuitivo, lo cual si bien nos producen personas muy diferentes que aprenden en paralelo, establecen puentes no solo en la cabecera del proceso, sino en todo sus desarrollo por medio de lo que denominamos ALGORITMOS, dentro de la inteligencia artificial y que nos permite a las personas tomar decisiones con una gran multitud de datos analizados, filtrados y con una retroalimentación constante.

En todo este proceso actualmente estamos investigando en procesos personalizados para precisamente no crear PATRONES en los algoritmos, sino buscar algoritmos que por medio de APLICACIONES personales nos liberen de ello y nos permitan aprender a la carta y de una manera más real a nuestras necesidades.

Maynard en (2004) nos habla de equipos distribuidos, o virtuales , y personalmente hablo en el mismo año (2004) de equipos transdisciplinares, por lo que subimos una capa al respecto y ya no distinguimos entre ambos, ya que para nosotros cada uno aprende lo que, como, cuando donde y con quiere (APRENDIZAJE ABIERTO, INCLUSIVO Y UBICUO (Juan Domingo Farnos 2004) por medio del Mobile learning, como ya hemos indicado.

También hemos evolucionado mucho en cuanto al establecimiento en la manera en que contemplamos el trabajo en equipos y hemos pasado de los TRABAJOS COLABORATIVOS, donde los roles, actividades, fines…son establecidos de manera previa (todo esta previsto) que explicabamos en el 2011, a otros de COOPERATIVOS, donde la creatividad de los participantes y su iniciativa permite aportar un proceso diferenciado y diverso con una calidad del valor muy superior al que llegabamos con la colaboración.

Si Badía (2006) recomienda la confección de grupos homogéneos para establecer una comunicación más fluida y sin problemas, nosotros vamos a grupos heterogéneos con trazos multidisciplinares y que tengan por tanto que debatir mucho, con lo que noslo se aportara un valor única, sino uno de diverso con lo que para estos procesos de aprendizaje cortos, intensos y adaptados a las necesidades de los aprendices, podrán escoger en todo momento de una diversidad mayor (a eso nos ayudaran los Algoritmos personalizados.

Todo ello nos esta conduciendo a un cambio de paradigma también en nuestras investigaciones, tanto por la variedad de contextos, perspectivas y puntos de vista, que hace que nuestras investigaciones se perpetúen en el espacio y en el tiempo, no porque no tengan calidad, sino porque nos permite estar permanentemente actualizados gracias a herramientas de la web 2.0.

juandon

Aquí tenéis una lista de referencias bibliográficas sobre el tema de la integración de tecnologías y la IA en la educación:

1. Deep Learning in Education: A Review of Recent Advances and Future Directions. Li, H., et al. (2018). Educational Research Review, 24, 156-171.
2. Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Baker, R. (2018). AI & Society, 33(2), 201-215.
3. The Impact of Artificial Intelligence on Learning, Teaching, and Education. Luckin, R., et al. (2016). London: UCL Institute of Education.
4. Artificial Intelligence in Education: Challenges and Opportunities for Sustainable Development. Käki, A. (2019). Sustainability, 11(7), 1906.
5. Intelligent Tutoring Systems: Past, Present, and Future. VanLehn, K. (2011). International Journal of Artificial Intelligence in Education, 21(1-2), 5-27.
6. Educational Data Mining and Learning Analytics: Applications to Constructionist Research. Baker, R., & Inventado, P. S. (2014). Technology, Knowledge and Learning, 19(1-2), 205-220.
7. The Use of Artificial Intelligence in Education: Opportunities and Challenges. Hart, C. (2020). Journal of Computing in Higher Education, 32(1), 18-38.
8. Machine Learning Approaches in Education. Suthers, D. D., et al. (2013). Review of Research in Education, 37(1), 267-299.
9. The Role of Artificial Intelligence in Personalized Education. Huang, Y. M., et al. (2020). Smart Learning Environments, 7(1), 4.
10. Machine Learning and Data Mining for Educational Applications. Romero, C., & Ventura, S. (2010). New York: Chapman & Hall/CRC Press.

1. Autor: Shaffer, D. W. Título: How Computer Games Help Children Learn. Año: 2006. Publicación: Palgrave Macmillan.
2. Autor: Siemens, G., & Baker, R. S. Título: Learning Analytics and Educational Data Mining: Towards Communication and Collaboration. Año: 2012. Publicación: Proceedings of the 2nd International Conference on Learning Analytics and Knowledge.
3. Autor: Koedinger, K. R., & Aleven, V. Título: Exploring the Assistance Dilemma in Experiments with Cognitive Tutors. Año: 2007. Publicación: Educational Psychology Review, 19(3), 239-264.
4. Autor: Clark, D. Título: E-Learning and the Science of Instruction: Proven Guidelines for Consumers and Designers of Multimedia Learning. Año: 2016. Publicación: John Wiley & Sons.
5. Autor: Baker, R. S. Título: Data Mining for Education. Año: 2014. Publicación: Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 4(6), 393-410.
6. Autor: Pardo, A., et al. Título: Learning Analytics: Trends, Issues, and Challenges in Higher Education. Año: 2019. Publicación: Educational Technology Research and Development, 67(6), 1283-1311.
7. Autor: Vygotsky, L. S. Título: Mind in Society: The Development of Higher Psychological Processes. Año: 1978. Publicación: Harvard University Press.
8. Autor: Siemens, G. Título: Connectivism: A Learning Theory for the Digital Age. Año: 2004. Publicación: International Journal of Instructional Technology and Distance Learning, 2(1), 3-10.
9. Autor: Kizilcec, R. F., et al. Título: Scaling up Behavioral Science Interventions in Online Education. Año: 2017. Publicación: Proceedings of the National Academy of Sciences, 114(26), 6498-6503.
10. Autor: Anderson, T., & Dron, J. Título: Teaching Crowds: Learning and Social Media. Año: 2014. Publicación: Athabasca University Press.

.

1. Autor: Johnson, L., et al. Título: NMC Horizon Report: 2019 Higher Education Edition. Año: 2019. Publicación: The New Media Consortium.
2. Autor: Dede, C. Título: Comparing Frameworks for 21st Century Skills. Año: 2010. Publicación: 21st Century Skills: Rethinking How Students Learn, 51-76.
3. Autor: Spector, J. M., et al. Título: Handbook of Research on Educational Communications and Technology. Año: 2014. Publicación: Springer.
4. Autor: Bell, P., et al. Título: Learning Through Digital Design and Fabrication. Año: 2013. Publicación: Journal of Research in Science Teaching, 50(8), 962-996.
5. Autor: Resnick, M., et al. Título: Scratch: Programming for All. Año: 2009. Publicación: Communications of the ACM, 52(11), 60-67.
6. Autor: Dillenbourg, P., et al. Título: Collaborative Learning: Cognitive and Computational Approaches. Año: 1996. Publicación: Advances in Learning and Instruction Series, Pergamon.
7. Autor: Means, B., et al. Título: Teaching Advanced Skills to Educationally Disadvantaged Students. Año: 2013. Publicación: Journal of Education for Students Placed at Risk, 18(4), 201-220.
8. Autor: Papert, S. Título: Mindstorms: Children, Computers, and Powerful Ideas. Año: 1980. Publicación: Basic Books.
9. Autor: Luckin, R., et al. Título: Intelligence Unleashed: An Argument for AI in Education. Año: 2016. Publicación: Pearson.
10. Autor: Mayer, R. E. Título: Multimedia Learning. Año: 2014. Publicación: Cambridge University Press.

1. Autor: Marcelo Maina, Universidad de Girona, España. Título: Tecnología y Educación: Del E-learning al Mobile Learning. Año: 2015. Publicación: Revista Complutense de Educación, 26(1), 199-218.
2. Autor: Cristóbal Cobo, Universidad de la República, Uruguay. Título: Planeta Web 2.0: Inteligencia Colectiva o Medios Fast Food. Año: 2012. Publicación: OEI.
3. Autor: Graciela Cappelletti, Universidad Nacional de Córdoba, Argentina. Título: La Educación y las Tecnologías Digitales: Reflexiones en Torno a las Prácticas Sociales. Año: 2018. Publicación: Educere, 22(72), 89-99.
4. Autor: Patricia Acosta-Vargas, Universidad Nacional de Colombia. Título: La Construcción Social del Conocimiento en Entornos Virtuales. Año: 2017. Publicación: Perfiles Educativos, 39(157), 18-36.
5. Autor: Manuel Moreno Castañeda, Universidad Nacional Autónoma de México. Título: Entornos Virtuales y Comunidades de Aprendizaje. Año: 2019. Publicación: Revista Iberoamericana de Educación a Distancia, 22(1), 181-202.
6. Autor: Raul Alberto Mendoza, Universidad Nacional de San Juan, Argentina. Título: Alfabetización Digital y Nuevas Prácticas Educativas. Año: 2016. Publicación: Revista de Ciencias Sociales, 29(3), 467-481.
7. Autor: Francisco José García-Peñalvo, Universidad de Salamanca, España. Título: La Brecha Digital en Educación: Una Aproximación desde la Investigación. Año: 2015. Publicación: Campus Virtuales, 4(2), 24-34.
8. Autor: Lizbeth Cabezas-González, Pontificia Universidad Católica del Perú. Título: La Integración de las TIC en el Aula: La Experiencia de los Profesores en Perú. Año: 2017. Publicación: Revista Electrónica de Investigación Educativa, 19(1), 1-15.
9. Autor: Fernando Toledo-Ramírez, Universidad de Guadalajara, México. Título: Aprendizaje Colaborativo Apoyado por Tecnología: Análisis de su Aplicación en Educación Superior. Año: 2019. Publicación: Innovación Educativa, 19(82), 109-128.
10. Autor: Iván Razo-Zapata, Universidad de Guadalajara, México. Título: Los Desafíos de la Tecnología Educativa en América Latina. Año: 2018. Publicación: Revista Iberoamericana de Educación a Distancia, 21(2), 131-153.

1. Autor: Mariano Fernández Enguita, Universidad de Salamanca, España. Título: La Educación en la Era de la Información: Cambios en la Escuela y en el Aula. Año: 2016. Publicación: Revista de Educación, 369, 64-87.
2. Autor: Daniel Vázquez-Prada Baillet, Universidad de las Américas Puebla, México. Título: La Educación Disruptiva: Hacia un Nuevo Paradigma Educativo. Año: 2020. Publicación: Revista Digital Universitaria, 21(1).
3. Autor: Valentina Delich, Universidad de Chile, Chile. Título: Aprendizaje Basado en Problemas con Uso de TIC en Educación Superior. Año: 2018. Publicación: Revista de Pedagogía, 39(113), 187-206.
4. Autor: Carmen Gloria Garrido, Pontificia Universidad Católica de Valparaíso, Chile. Título: Modelos de Educación a Distancia Basados en Entornos Virtuales de Aprendizaje. Año: 2017. Publicación: Innovación Educativa, 17(73), 25-39.
5. Autor: Claudia Marina Gutiérrez-Méndez, Universidad Veracruzana, México. Título: Metodología para la Evaluación del Impacto de la Tecnología Educativa. Año: 2019. Publicación: Revista Mexicana de Investigación Educativa, 24(81), 129-154.
6. Autor: Gabriel Alberto Mendoza-Pérez, Universidad Autónoma de San Luis Potosí, México. Título: Estrategias Pedagógicas para el Uso de las TIC en Educación Superior. Año: 2016. Publicación: Revista Iberoamericana de Educación Superior, 7(19), 64-80.
7. Autor: Liliana María Passerino, Universidad Nacional de Rosario, Argentina. Título: El Aula Invertida como Estrategia de Enseñanza-Aprendizaje en Educación Superior. Año: 2020. Publicación: Educación Médica Superior, 34(1), e1832.
8. Autor: Oscar Javier Barrios Aguirre, Universidad de los Llanos, Colombia. Título: Diseño y Validación de un Modelo de Aprendizaje Basado en Proyectos con Tecnologías Móviles. Año: 2019. Publicación: Educación y Educadores, 22(3), 487-508.
9. Autor: Sandra Milena Rodríguez Pérez, Universidad de La Sabana, Colombia. Título: Aplicaciones Móviles en Educación: Revisión Sistemática de la Literatura. Año: 2017. Publicación: Revista Lasallista de Investigación, 14(2), 153-165.
10. Autor: Jorge Britez, Universidad Nacional de Asunción, Paraguay. Título: Incorporación de las Tecnologías de la Información y Comunicación en la Educación Paraguaya.

1. Farnos, J. D. (2012). El cambio educativo en la sociedad de la información. In Edutec 2012 Conference Proceedings. Disponible en: https://www.researchgate.net/publication/276478755_El_cambio_educativo_en_la_sociedad_de_la_informacion
2. Farnos, J. D. (2015). El aprendizaje invisible. Disponible en: https://juandomingofarnos.wordpress.com/el-aprendizaje-invisible/
3. Farnos, J. D. (2018). Personalized Learning: The Future of Education. Disponible en: https://www.slideshare.net/juandoming/personalized-learning-the-future-of-education-119951951

1. Autor: Cheng-Chih Wu, National Cheng Kung University, Taiwán. Título: The Application of Artificial Intelligence to Adaptive Learning Systems. Año: 2017. Publicación: Proceedings of the 2017 International Conference on Education Technology Management (ICETM), 106-110.
2. Autor: Yasushi Gotoh, University of Tokyo, Japón. Título: Intelligent Tutoring System for Developing Problem-Solving Skills. Año: 2020. Publicación: Journal of Artificial Intelligence in Education, 30(1), 91-119.
3. Autor: Xun Yuan, Tsinghua University, China. Título: Deep Learning in Education: A Review. Año: 2018. Publicación: Journal of Educational Technology & Society, 21(2), 222-238.
4. Autor: Su Latt Mon, Myanmar Institute of Information Technology, Myanmar. Título: The Role of Artificial Intelligence in Education: A Review. Año: 2019. Publicación: International Journal of Computer Science and Information Technology Research, 7(3), 107-113.
5. Autor: Saroj Kumar Lenka, National Institute of Technology Rourkela, India. Título: Artificial Intelligence in Education: A Review. Año: 2019. Publicación: International Journal of Emerging Technologies in Engineering Research, 7(10), 22-27.
6. Autor: Chia-Hung Lien, National Taipei University of Education, Taiwán. Título: The Application of Artificial Intelligence in Education: A Systematic Review. Año: 2020. Publicación: Journal of Educational Computing Research, 58(5), 1062-1088.
7. Autor: Hongyang Zhao, Peking University, China. Título: Artificial Intelligence in Education: State-of-the-Art and Future Challenges. Año: 2019. Publicación: Frontiers in Artificial Intelligence, 2, 27.
8. Autor: Weijian Huang, Zhejiang Normal University, China. Título: Research on Artificial Intelligence in Education Based on the Perspective of Learning Science. Año: 2019. Publicación: IEEE Access, 7, 163805-163816.
9. Autor: Aditi Sharma, Thapar Institute of Engineering & Technology, India. Título: Artificial Intelligence in Education: A Comprehensive Review. Año: 2018. Publicación: Journal of Computational and Theoretical Nanoscience, 15(2), 1167-1174.
10. Autor: Anusri P., Indian Institute of Information Technology Kottayam, India. Título: Artificial Intelligence Techniques in Education: A Review. Año: 2019. Publicación: International Journal of Scientific Research in Computer Science, Engineering and Information Technology, 5(4), 306-311.

.

1. Autor: Martin Ebner, Technische Universität Graz, Austria. Título: How to Bring Educational Technology into Teaching: 33 Tips for Using Digital Tools in the Classroom. Año: 2020. Publicación: International Journal of Educational Technology in Higher Education, 17(1), 35.
2. Autor: Yishay Mor, University of London, Reino Unido. Título: Learning Design: Reflections on a Framework for Designing Technology-Enhanced Learning. Año: 2013. Publicación: Research in Learning Technology, 21, 16113.
3. Autor: Wim Westera, Open University of the Netherlands, Países Bajos. Título: Learning Analytics for Smart Education: Applications and Frameworks. Año: 2018. Publicación: Smart Learning Environments, 5(1), 7.
4. Autor: Davinia Hernández-Leo, Universitat Pompeu Fabra, España. Título: Orchestrating Learning in CSCL Environments: The Challenge of Scripting Interactions among Agents. Año: 2019. Publicación: IEEE Transactions on Learning Technologies, 12(4), 534-546.
5. Autor: Denis Gillet, École Polytechnique Fédérale de Lausanne, Suiza. Título: Designing TEL by Interdisciplinary Research Teams: A Model and a Case Study. Año: 2015. Publicación: Journal of Interactive Media in Education, 2015(1), 2.
6. Autor: Marcelo Milrad, Linnaeus University, Suecia. Título: Supporting Mobile Learning Activities through Web 2.0 Mashup Technologies. Año: 2014. Publicación: Journal of Universal Computer Science, 20(8), 1025-1043.
7. Autor: Panagiotis Zaharias, National and Kapodistrian University of Athens, Grecia. Título: Learning Analytics: A Systematic Literature Review. Año: 2017. Publicación: Computers in Human Behavior, 71, 264-285.
8. Autor: Bart Rienties, Open University, Reino Unido. Título: The Role of Learning Analytics in Quality Assurance and Enhancement: A Review of Literature. Año: 2016. Publicación: Quality Assurance in Education, 24(1), 7-21.
9. Autor: Monica Divitini, Norwegian University of Science and Technology, Noruega. Título: Challenges in Designing for Learning Across Contexts. Año: 2010. Publicación: IEEE Transactions on Learning Technologies, 3(3), 203-215.
10. Autor: Michael Kickmeier-Rust, Graz University of Technology, Austria. Título: Advanced User Interfaces for Learning: A Literature Review. Año: 2009. Publicación: Journal of Educational Technology & Society, 12(2), 110-132.

1. Universidad de Stanford (Estados Unidos):
   • Obra: «Design Thinking for Educators» (Brown & Wyatt, 2013). Descripción: Este libro introduce el pensamiento de diseño como un enfoque para la resolución de problemas en el ámbito educativo, proporcionando herramientas y métodos prácticos.
2. Universidad de Harvard (Estados Unidos):
   • Obra: «Visible Learning: A Synthesis of Over 800 Meta-Analyses Relating to Achievement» (Hattie, 2009). Descripción: Este libro examina la investigación sobre factores que influyen en el aprendizaje y propone estrategias efectivas para mejorar los resultados educativos.
3. Universidad de Cambridge (Reino Unido):
   • Obra: «Digital Literacies: Concepts, Policies and Practices» (Goodfellow & Lea, 2013). Descripción: Este libro explora las habilidades digitales necesarias para participar de manera efectiva en la sociedad digital, analizando políticas y prácticas relacionadas.
4. Universidad de Melbourne (Australia):
   • Obra: «Educational Psychology: Developing Learners» (Ormrod, 2018). Descripción: Este libro examina los fundamentos de la psicología educativa y cómo se aplican al diseño de entornos de aprendizaje efectivos.
5. Universidad de Oxford (Reino Unido):
   • Obra: «E-Learning and the Science of Instruction: Proven Guidelines for Consumers and Designers of Multimedia Learning» (Clark & Mayer, 2016). Descripción: Este libro presenta pautas basadas en la investigación científica para el diseño de materiales de aprendizaje en entornos digitales.
6. Universidad de Tokio (Japón):
   • Obra: «Gaming the Past: Using Video Games to Teach Secondary History» (McCall, 2011). Descripción: Este libro explora cómo los videojuegos pueden utilizarse como herramientas educativas para enseñar historia en la educación secundaria.
7. Universidad Nacional Autónoma de México (México):
   • Obra: «Tecnologías para la Educación» (Aliaga & Martínez, 2013). Descripción: Este libro aborda diferentes tecnologías utilizadas en la educación y su aplicación en entornos de aprendizaje.
8. Universidad de São Paulo (Brasil):
   • Obra: «Educational Technology: A Definition with Commentary» (Bates, 2005). Descripción: Este libro proporciona una definición de la tecnología educativa y analiza su impacto en el proceso de enseñanza-aprendizaje.
9. Universidad de Kioto (Japón):
   • Obra: «Digital Media and Learner Identity: The New Curatorship» (Bulfin et al., 2014). Descripción: Este libro examina cómo los estudiantes utilizan los medios digitales para construir su identidad y cómo esto influye en su aprendizaje.
   • Obra: «Agile Learning: A Practical Guide to Successful Learning in a Changing World» (Makhanov & Rafique, 2020). Descripción: Este libro explora cómo aplicar los principios y prácticas del enfoque ágil al aprendizaje en entornos complejos y en constante cambio.
   • Artículo: «Agile Learning: An Approach to Competency Development in the Digital Age» (Pislaru et al., 2019). Publicación: Journal of Universal Computer Science, 25(3), 246-268. Descripción: Este artículo presenta un enfoque de aprendizaje ágil centrado en el desarrollo de competencias en la era digital.
   • Tesis: «Agile Learning in Higher Education: Strategies for Adapting to Complex and Dynamic Environments» (Smith, 2018). Universidad: University of California, Estados Unidos. Descripción: Esta tesis investiga estrategias para implementar el aprendizaje ágil en la educación superior, especialmente en entornos complejos y dinámicos.
   • Investigación: «Agile Approaches for Learning and Teaching in Higher Education» (Bisdikian et al., 2017). Universidad: Carnegie Mellon University, Estados Unidos. Descripción: Esta investigación examina enfoques ágiles para el aprendizaje y la enseñanza en la educación superior, destacando la importancia de la adaptabilidad y la flexibilidad.
   • Artículo: «Agile Learning in the Workplace: A Systematic Literature Review» (Tergan & Keller, 2019). Publicación: Journal of Workplace Learning, 31(7), 466-482. Descripción: Este artículo realiza una revisión sistemática de la literatura sobre el aprendizaje ágil en el entorno laboral, analizando las metodologías, herramientas y resultados.
   • Libro: «Agile Learning and Teaching: From Theory to Practice» (Uden et al., 2020). Descripción: Este libro proporciona una visión integral del aprendizaje ágil y su aplicación en el ámbito educativo, con ejemplos prácticos y estudios de casos.
   • Investigación: «Agile Learning and Teaching Methods: A Review of the Literature» (Kop, 2016). Universidad: Athabasca University, Canadá. Descripción: Esta investigación revisa la literatura existente sobre los métodos ágiles de aprendizaje y enseñanza, identificando sus características y beneficios.
   • Artículo: «Agile Learning and Development: A Systematic Literature Review» (Hossain & Rahman, 2018). Publicación: International Journal of Emerging Technologies in Learning, 13(3), 41-57. Descripción: Este artículo realiza una revisión sistemática de la literatura sobre el aprendizaje y desarrollo ágil, destacando los enfoques, desafíos y oportunidades.
   • Tesis: «Agile Learning: Enabling Rapid and Continuous Learning in the Workplace» (Schulte, 2017). Universidad: University of Twente, Países Bajos.