La evidencia (desmitificación) debe ampliarse para incluir el aprendizaje personalizado (socializador), el contexto y las dimensiones de crecimiento intelectual y habilidades adquiridas (enfoque holístico y efectivo con la educación disruptiva vs IA)

Juan Domingo Farnós Miró

Probar los flujos de pantalla en bruto y el diseño de interfaz de usuario temprana, tanto dentro como fuera de las aulas y con frecuencia en el ciclo de los proyectos del usuario para validar el entendimiento y suposiciones acerca de las necesidades del aprendizaje, implica una serie de condicionantes que implican ver el mismo con tres apartados:

1)Contexto

2)Evidencias

3)Aprendizaje personalizado

Desmitificar la evidencia como el único factor importante en el aprendizaje es esencial para comprender la complejidad del proceso educativo. Si bien la evidencia es crucial, no debe ser vista de manera aislada. Aquí hay algunas ideas para desmitificar la importancia exclusiva de la evidencia y resaltar el aprendizaje personalizado y el contexto:

Desmitificar la evidencia» se refiere a analizar y cuestionar de manera crítica la información o pruebas presentadas en un contexto específico con el fin de deshacer mitos o creencias erróneas que puedan estar asociadas a esa evidencia. Es un proceso importante en la investigación y el análisis, ya que ayuda a separar la información verificable de las interpretaciones incorrectas o los malentendidos.

Al desmitificar la evidencia, se busca obtener una comprensión más precisa y objetiva de los hechos o datos en cuestión. Esto implica examinar la fuente de la evidencia, evaluar su credibilidad, considerar el contexto en el que se presenta y, en última instancia, llegar a conclusiones basadas en un análisis riguroso.

Es importante recordar que desmitificar la evidencia no significa necesariamente negar o desacreditar todo lo que se presenta, sino más bien examinarlo con un enfoque crítico y analítico para comprender completamente su significado y relevancia.

1. Evidencia no es igual a comprensión profunda:
   • La evidencia puede indicar el nivel de conocimiento o habilidad adquirido, pero no siempre refleja la comprensión real y profunda del tema. El aprendizaje no se limita a la reproducción de hechos, sino que implica la capacidad de aplicar, analizar y sintetizar información.
2. Aprendizaje como un proceso continuo:
   • El aprendizaje es un proceso que se desarrolla a lo largo del tiempo. La evidencia captura un momento específico, pero no siempre refleja el progreso y la evolución del estudiante a lo largo del tiempo.
3. Aprendizaje personalizado:
   • Cada individuo tiene su propia manera de realizar el aprendizaje, ritmo y preferencias. Ignorar esto y enfocarse únicamente en la evidencia puede llevar a la falta de adaptación a las necesidades individuales.
4. Considerar el contexto y las experiencias previas:
   • El aprendizaje está influenciado por el contexto en el que ocurre. Experiencias previas, entorno socioeconómico, cultura y motivaciones personales desempeñan un papel crucial en la asimilación de nuevos conocimientos.
5. El valor de la reflexión y la metacognición:
   • El proceso de aprendizaje va más allá de la adquisición de información. La reflexión sobre lo aprendido y la capacidad de autorregular el aprendizaje (metacognición) son habilidades fundamentales para un aprendizaje significativo y duradero.
6. Desarrollo de habilidades y competencias:
   • El aprendizaje no se trata solo de acumular conocimientos. También implica el desarrollo de habilidades prácticas y competencias que pueden no ser fácilmente cuantificables a través de la evidencia tradicional.
7. Aprender a aprender:
   • Fomentar la autonomía y la capacidad de aprender de manera autodirigida es un componente clave del proceso educativo. Esto implica el desarrollo de habilidades de investigación, resolución de problemas y toma de decisiones.
8. Evaluar en múltiples dimensiones:
   • La evaluación debe ir más allá de los exámenes escritos y considerar diversas formas de evidencia, como proyectos, presentaciones, debates, entre otros, que pueden proporcionar una visión más completa del aprendizaje.

La evidencia es un elemento importante, pero no debe ser el único criterio para medir el aprendizaje. El enfoque debe ampliarse para incluir el aprendizaje personalizado, el contexto individual y las diversas dimensiones del crecimiento intelectual y habilidades adquiridas. Esto permitirá un enfoque más holístico y efectivo en la educación

En un contexto de educación disruptiva con la IA, es fundamental comprender que el aprendizaje va más allá de la simple reproducción de información. Implica una serie de habilidades cognitivas y procesos mentales más complejos:

1. Aplicación de conocimientos:
   • Definición: La capacidad de utilizar lo que se ha aprendido en situaciones prácticas o en contextos diferentes.
   • Ejemplo en la educación con IA: Un estudiante que ha aprendido sobre programación a través de un curso en línea con IA puede aplicar ese conocimiento para crear una aplicación o un software.
2. Análisis de información:
   • Definición: La habilidad para descomponer y examinar la información en sus componentes fundamentales para comprender su estructura y relaciones.
   • Ejemplo en la educación con IA: Los estudiantes pueden usar algoritmos de aprendizaje automático para analizar grandes conjuntos de datos y extraer patrones o tendencias relevantes.
3. Síntesis de información:
   • Definición: La capacidad de combinar y unificar diferentes partes de información para formar un todo coherente y comprensible.
   • Ejemplo en la educación con IA: Los estudiantes pueden utilizar herramientas de procesamiento del lenguaje natural impulsadas por IA para sintetizar información de múltiples fuentes y crear resúmenes coherentes y comprensibles.
4. Resolución de problemas complejos:
   • Definición: La habilidad para abordar y encontrar soluciones a problemas que involucran múltiples variables y desafíos.
   • Ejemplo en la educación con IA: Los estudiantes pueden utilizar técnicas de resolución de problemas apoyadas por IA para abordar cuestiones complejas en áreas como la ingeniería, la medicina o la ciencia de datos.
5. Creatividad y generación de nuevas ideas:
   • Definición: La capacidad de producir soluciones originales y novedosas a problemas o situaciones.
   • Ejemplo en la educación con IA: Los estudiantes pueden trabajar con sistemas de generación de texto o arte asistido por IA para producir contenido creativo, como escritos literarios o diseños artísticos.
6. Adaptabilidad y aprendizaje continuo:
   • Definición: La disposición y habilidad para ajustarse y aprender en entornos cambiantes y ante nuevos desafíos.
   • Ejemplo en la educación con IA: Los estudiantes pueden utilizar sistemas de tutoría personalizada basados en IA que se adaptan a su ritmo y estilo de aprendizaje individual, proporcionando material relevante y desafíos adecuados.

Desmitificar la evidencia en este contexto implica comprender que la capacidad de aplicar, analizar y sintetizar información no siempre se refleja completamente en las evaluaciones tradicionales. Es necesario considerar formas innovadoras de evaluación, como proyectos interactivos, simulaciones o incluso el seguimiento del progreso a lo largo del tiempo utilizando análisis de datos avanzados proporcionados por sistemas de educación con IA. Esto proporcionará una visión más completa del aprendizaje y las habilidades adquiridas.

Para crear y explicar un árbol de decisión en Python, primero necesitamos instalar la biblioteca scikit-learn. Puedes hacerlo ejecutando el siguiente comando:

pythonCopy code

!pip install scikit-learn

A continuación, te proporcionaré un ejemplo de un árbol de decisión que ilustra el proceso de toma de decisiones y cómo se relaciona con el aprendizaje que hemos discutido.

pythonCopy code

from sklearn.tree import DecisionTreeClassifier, export_text # Datos de ejemplo (features: [aplicación, análisis, síntesis, resolución, creatividad]) X = [ [1, 1, 1, 1, 1], # Estudiante 1 [1, 1, 0, 1, 0], # Estudiante 2 [0, 1, 1, 0, 1], # Estudiante 3 [1, 0, 0, 1, 0], # Estudiante 4 [0, 0, 1, 0, 1], # Estudiante 5 ] # Etiquetas que indican si el estudiante ha aprendido bien o no (1: bien, 0: no bien) y = [1, 0, 0, 1, 1] # Crear y entrenar el modelo de árbol de decisión clf = DecisionTreeClassifier() clf.fit(X, y) # Explicar el árbol de decisión tree_rules = export_text(clf, feature_names=['Aplicación', 'Análisis', 'Síntesis', 'Resolución', 'Creatividad']) print(tree_rules)

El árbol de decisión se creó usando características (features) que representan habilidades de aprendizaje (como aplicación, análisis, síntesis, resolución, creatividad) y etiquetas de si el estudiante ha aprendido bien o no.

El árbol de decisión generado proporciona una estructura para tomar decisiones basadas en estas características. Por ejemplo, si un estudiante muestra una alta capacidad de aplicación, análisis y síntesis, pero baja en resolución y creatividad, el árbol sugiere que probablemente haya aprendido bien.

Es importante tener en cuenta que este es un ejemplo simplificado y que en aplicaciones reales, los árboles de decisión se construyen a partir de conjuntos de datos mucho más grandes y complejos.

Este ejemplo ilustra cómo los árboles de decisión pueden ser utilizados para modelar y explicar el proceso de toma de decisiones basado en características relevantes para el aprendizaje. Esto es solo un punto de partida, y en aplicaciones educativas más complejas, se requeriría un análisis y modelado más sofisticado.

Desmitificar la evidencia en este contexto implica comprender que la capacidad de aplicar, analizar y sintetizar información no siempre se refleja completamente en las evaluaciones tradicionales. Es necesario considerar formas innovadoras de evaluación, como proyectos interactivos, simulaciones o incluso el seguimiento del progreso a lo largo del tiempo utilizando análisis de datos avanzados proporcionados por sistemas de educación con IA. Esto proporcionará una visión más completa del aprendizaje y las habilidades adquiridas.

Citas de diferentes autores donde se desmitifican las evidencias de siempre y se sustituen por la complejidad que representa el aprendizaje en el S XXI:

1. El aprendizaje no es la preparación para la vida; el aprendizaje es la vida en sí misma.»
   • Autor: John Dewey
   • Libro: «Experience and Education» (1938)
2. «El aprendizaje que vale la pena es aquel que se relaciona con problemas del mundo real y requiere la adquisición de información contextuada en el proceso de su resolución.»
   • Autor: Seymour Papert
   • Libro: «Mindstorms: Children, Computers, And Powerful Ideas» (1980)
3. «La mayoría de lo que los niños y jóvenes aprenden de la vida es aprendido sin que nadie lo enseñe.»
   • Autor: Ivan Illich
   • Libro: «Deschooling Society» (1971)
4. «La única persona que es educada es la que ha aprendido cómo aprender;… cómo adaptarse y cambiar;… ha desarrollado su capacidad de auto-educarse.»
   • Autor: Carl Rogers
   • Artículo: «Freedom to Learn» (1969)
5. «La inteligencia no se puede medir con un solo número y mucho menos ser descrita por un solo adjetivo.»
   • Autor: Howard Gardner
   • Libro: «Frames of Mind: The Theory of Multiple Intelligences» (1983)
6. «La función de la educación es ayudar a los estudiantes a convertirse en aprendices efectivos.»
   • Autor: Jerome Bruner
   • Libro: «The Process of Education» (1960)
7. «La educación no cambia el mundo, cambia a las personas que van a cambiar el mundo.»
   • Autor: Paulo Freire
   • Libro: «Pedagogy of the Oppressed» (1970)
8. «Aprender es demasiado maravilloso y valioso para ser organizado en paquetes.»
   • Autor: Alfie Kohn
   • Libro: «The Schools Our Children Deserve: Moving Beyond Traditional Classrooms and ‘Tougher Standards'» (1999)
9. «La educación no es solo aprender hechos, sino también aprender a pensar.»
   • Autor: Edgar Morin
   • Libro: «Seven Complex Lessons in Education for the Future» (2002)
10. «La educación tradicional se basa en la memorización y regurgitación de información, no en la resolución de problemas del mundo real.»
    • Autor: Roger Schank
    • Libro: «Teaching Minds: How Cognitive Science Can Save Our Schools» (2011)

Por desgracia, experiencias en el aula y el desarrollo en el mundo real se realizan típicamente de forma independiente como si no hubiera necesidad de combinar la teoría con la práctica. El Aprendizaje basado en el trabajo, por el contrario (LEARNING IS THE WORK), se fusiona deliberadamente la teoría con la práctica y reconoce la intersección de formas explícitas y tácitas de conocimiento, tanto a nivel individual y colectivo.

El Aprendizaje Basado en el Trabajo (ABT) es un enfoque educativo que busca integrar la teoría y la práctica al combinar la experiencia laboral directa con el aprendizaje académico. Este enfoque reconoce la importancia de comprender y aplicar el conocimiento en contextos reales de trabajo. Ahora, relacionemos esto con lo que hemos discutido sobre evidencias, educación disruptiva y la IA.

1. Integración de Teoría y Práctica

El ABT busca fusionar la teoría y la práctica, lo que significa que no solo se enfoca en la adquisición de conocimientos teóricos, sino también en la capacidad de aplicarlos en situaciones laborales reales.

2. Reconocimiento de Conocimiento Explícito y Tácito

El ABT comprende que el conocimiento no solo se encuentra en libros o clases teóricas, sino que también puede ser tácito, es decir, basado en la experiencia práctica. Este tipo de conocimiento es valioso en el entorno laboral y a menudo no se puede capturar fácilmente a través de evaluaciones tradicionales.

3. Evidencias en el Aprendizaje Basado en el Trabajo

Las evidencias en el ABT pueden tomar varias formas:

• Informe de Desempeño: Un informe detallado sobre cómo un estudiante aplicó sus habilidades y conocimientos en una situación laboral específica.
• Portafolio de Trabajo: Una colección de proyectos, informes y otros trabajos que demuestran la aplicación práctica del conocimiento.
• Evaluaciones de Supervisor: La opinión del supervisor sobre el desempeño del estudiante en el entorno laboral.

4. Educación Disruptiva y ABT

La educación disruptiva y el ABT pueden complementarse. La educación disruptiva a menudo se centra en la adaptabilidad, la innovación y la aplicación de conocimientos en contextos cambiantes. El ABT proporciona un marco para llevar a cabo esta adaptabilidad a través de experiencias laborales.

5. IA en el ABT

La IA puede desempeñar un papel importante en el ABT al proporcionar herramientas y tecnologías que faciliten la adquisición y aplicación de conocimientos en entornos laborales. Por ejemplo, la IA puede ser utilizada para analizar grandes conjuntos de datos de desempeño laboral y proporcionar retroalimentación personalizada a los estudiantes.

6. Árboles de Decisión Comparativos en el ABT

Los árboles de decisión comparativos pueden utilizarse en el ABT para evaluar el desempeño de los estudiantes en contextos laborales. Por ejemplo, un árbol de decisión podría analizar diferentes indicadores de desempeño y determinar qué combinación de habilidades y conocimientos es más efectiva en un entorno laboral específico.

Es importante tener en cuenta que la implementación exitosa del ABT requiere una colaboración efectiva entre instituciones educativas y empleadores, así como un diseño curricular que integre de manera efectiva la teoría y la práctica.

Desmitificación de las Evidencias en el ABT:

1. Valor de la Experiencia Práctica:
   • Explicación: En el ABT, se reconoce que la experiencia práctica en el entorno laboral es una forma valiosa de aprendizaje que va más allá de la mera acumulación de teoría.
   • Relación con la Desmitificación: Esto desmitifica la creencia de que solo las pruebas escritas son una forma válida de evaluación.
2. Incorporación de Conocimiento Tácito:
   • Explicación: El ABT valora y aprovecha el conocimiento tácito adquirido a través de la experiencia laboral, que a menudo es difícil de medir mediante evaluaciones tradicionales.
   • Relación con la Desmitificación: Esto desafía la idea de que solo el conocimiento explícito es medible y valioso.

Utilizando Árboles de Decisión en el ABT:

A continuación, presentaré un ejemplo de cómo se puede utilizar un árbol de decisión para evaluar el desempeño de los estudiantes en un contexto de ABT. Supongamos que estamos evaluando a estudiantes en un programa de pasantías y queremos determinar qué factores influyen en su éxito:

pythonCopy code

from sklearn.tree import DecisionTreeClassifier # Datos de ejemplo (features: [habilidades_tecnicas, habilidades_comunicativas, retroalimentacion]) X = [ [1, 1, 1], # Estudiante 1 [0, 1, 0], # Estudiante 2 [1, 0, 1], # Estudiante 3 [0, 1, 1], # Estudiante 4 ] # Etiquetas que indican si el estudiante tuvo un desempeño exitoso (1: sí, 0: no) y = [1, 0, 1, 1] # Crear y entrenar el modelo de árbol de decisión clf = DecisionTreeClassifier() clf.fit(X, y) # Predicción para un nuevo estudiante nuevo_estudiante = [[1, 1, 0]] # Este estudiante tiene buenas habilidades técnicas y comunicativas, pero poca retroalimentación prediccion = clf.predict(nuevo_estudiante) if prediccion == 1: print("El estudiante tiene un alto potencial de éxito en la pasantía.") else: print("El estudiante puede necesitar más apoyo para tener éxito en la pasantía.")

Este ejemplo de árbol de decisión evalúa el desempeño de los estudiantes basado en habilidades técnicas, habilidades comunicativas y la retroalimentación recibida. En este contexto, el árbol de decisión puede ayudar a identificar qué factores son más influyentes en el éxito en la pasantía.

La combinación del ABT y los árboles de decisión permite una evaluación más holística y contextualizada del desempeño de los estudiantes en un entorno laboral, desmitificando así la noción de que las evidencias solo se limitan a pruebas escritas.

Reconoce que el aprendizaje se adquiere en el medio de la práctica y puede ocurrir mientras se trabaja en las tareas y las relaciones en la mano. (Raelin, 1998)

La cita de Raelin enfatiza la importancia del aprendizaje que ocurre en el contexto de la práctica, es decir, cuando los estudiantes están involucrados activamente en tareas y relaciones reales. Vamos a explorar cómo esto se relaciona con un metaescenario de aprendizaje en el contexto de la Educación Disruptiva de Farnps vs IA.

Aprendizaje en el Medio de la Práctica (Raelin, 1998):

1. Definición:
   • El aprendizaje en el medio de la práctica se refiere a la adquisición de conocimientos y habilidades que ocurren mientras los individuos están comprometidos en tareas reales y en interacción con otros en un contexto práctico.
2. Importancia:
   • Este tipo de aprendizaje es altamente efectivo porque permite a los estudiantes experimentar y aplicar directamente lo que están aprendiendo en situaciones auténticas.
3. Ejemplo Práctico:
   • Imagine a un estudiante de medicina que, en lugar de solo estudiar libros de texto, pasa tiempo en un hospital trabajando con pacientes bajo la supervisión de profesionales experimentados. En este entorno práctico, el estudiante adquiere habilidades clínicas reales y aprende a tomar decisiones importantes en tiempo real.

Metaescenario de Aprendiza con la Educación disruptiva vs IA

En este escenario, se presenta un metaescenario donde se aborda la educación en un contexto altamente disruptivo donde los métodos de enseñanza tradicionales están siendo desafiados por dos enfoques distintos: la Educación disruptiva de Farnós y la inteligencia artificial (IA).

1. Farnps (Enseñanza Tradicional):
   • Enfoque basado en el aprendizaje presencial, libros de texto y evaluaciones estándar.
   • Ejemplo Práctico: Un profesor enseña matemáticas en un aula, proporciona tareas y administra exámenes para evaluar el progreso del estudiante.
2. IA (Inteligencia Artificial):
   • Utilización de tecnologías avanzadas como IA, realidad virtual, simulaciones interactivas, y tutoría personalizada basada en algoritmos de aprendizaje automático.
   • Ejemplo Práctico: Un estudiante utiliza una plataforma en línea con asistentes de IA que ofrecen ejercicios personalizados, retroalimentación inmediata y adaptación al estilo de aprendizaje individual.

Superando las Evidencias en un Umbral más Complejo:

1. Desmitificación de las Evidencias:
   • En este metaescenario, se desmitifica la idea de que las evidencias se limitan a pruebas escritas o exámenes tradicionales. Ahora se consideran formas innovadoras de evaluación, como el desempeño práctico, la resolución de problemas en tiempo real y el análisis de situaciones complejas.
2. Ejemplo Práctico:
   • En el contexto de la IA, un estudiante puede ser evaluado no solo por su capacidad para responder preguntas teóricas, sino también por su habilidad para aplicar conceptos en entornos simulados o situaciones prácticas que emulan experiencias del mundo real.

Este metaescenario ilustra cómo la Educación Disruptiva, al incorporar la IA y enfocarse en el aprendizaje en el medio de la práctica, cambia la forma en que se adquiere y evalúa el conocimiento, desafiando las formas tradicionales de evidencia y promoviendo un enfoque más holístico y contextualizado del aprendizaje.

1. 1. Allan Collins:
   • Áreas de Investigación: Aprendizaje basado en evidencias, cognición distribuida.
   • Libro Destacado: «Cognitive Apprenticeship: Making Thinking Visible» (1991).
2. 2. John Hattie:
   • Áreas de Investigación: Evaluación educativa, efectividad del aprendizaje.
   • Libro Destacado: «Visible Learning: A Synthesis of Over 800 Meta-Analyses Relating to Achievement» (2008).
3. 3. Sugata Mitra:
   • Áreas de Investigación: Educación autodirigida, tecnología en el aprendizaje.
   • Libro Destacado: «Beyond the Hole in the Wall: Discover the Power of Self-Organized Learning» (2019).
4. 4. Sir Ken Robinson:
   • Áreas de Investigación: Creatividad en la educación, cambio educativo.
   • Libro Destacado: «The Element: How Finding Your Passion Changes Everything» (2009).
5. 5. Seymour Papert:
   • Áreas de Investigación: Construccionismo, tecnología en la educación.
   • Libro Destacado: «Mindstorms: Children, Computers, And Powerful Ideas» (1980).
6. 6. Gert Biesta:
   • Áreas de Investigación: Teorías de la educación, evaluación educativa.
   • Libro Destacado: «The Beautiful Risk of Education» (2014).
7. 7. Mitchell Resnick:
   • Áreas de Investigación: Aprendizaje creativo, tecnología en la educación.
   • Libro Destacado: «Lifelong Kindergarten: Cultivating Creativity through Projects, Passion, Peers, and Play» (2017).
8. 8. Cathy N. Davidson:
   • Áreas de Investigación: Educación del siglo XXI, innovación en la educación.
   • Libro Destacado: «The New Education: How to Revolutionize the University to Prepare Students for a World in Flux» (2017).
9. 9. Tony Bates:
   • Áreas de Investigación: Educación en línea, tecnología educativa.
   • Libro Destacado: «Teaching in a Digital Age» (2015).
10. 10. Angela Duckworth:
    • Áreas de Investigación: Grit y persistencia en el aprendizaje.
    • Libro Destacado: «Grit: The Power of Passion and Perseverance» (2016).

La idea de aprendizaje a través de la práctica también se apoya en David Kolb y en el modelo de aprendizaje experiencial — hacer o experiencia, reflexionar sobre lo observado o aprendido, el desarrollo de las teorías internas generales sobre la aprendizaje, y aplicar el aprendizaje en experiencias futuras, refuerza el razonamiento anterior y eleva la compljedida en el aprendizaje como un elelento indispensable dentro de un escenario qu aüna la cibersociedad con la que ya nos movemos (IA, Metaverso, investigación con la Eduación disruptiva, praxis…) y la que acabamos de dejar atrás con el desaprendizaje.

Kolb y Fry (1975) sostienen que el ciclo de aprendizaje puede comenzar en cualquiera de los cuatro puntos — y que lo que realmente debe ser abordado como una espiral continua. Sin embargo, se sugiere que el proceso de aprendizaje comienza a menudo con una persona que lleva a cabo una acción particular y luego ver el efecto de la acción en esta situación. (Smith, 2001, 2010)

El modelo de aprendizaje experiencial de Kolb y Fry (1975) propone que el aprendizaje es un proceso cíclico y continuo que puede comenzar en cualquier punto, y se debe abordar como una espiral continua. Este modelo se basa en la idea de que el aprendizaje ocurre a través de la experiencia y la reflexión sobre esa experiencia. Aquí se explica el proceso en detalle:

1. Ciclo de Aprendizaje Experiencial:
   • Concreta Experiencia (CE): Se refiere a la experiencia concreta o la acción que una persona lleva a cabo en una situación dada. Por ejemplo, enfrentar una situación desafiante en el trabajo o en un proyecto.
   • Observación Reflexiva (OR): Después de la experiencia, la persona reflexiona sobre lo que ha sucedido y observa los efectos y resultados de sus acciones. Esto implica una consideración detallada y una revisión de la experiencia.
   • Conceptualización Abstracta (CA): En esta etapa, la persona busca comprender y conceptualizar lo que ha aprendido. Se intenta encontrar patrones y conexiones entre la experiencia y el conocimiento previo. Esto puede implicar teorizar sobre el por qué y el cómo de lo que ocurrió.
   • Experimentación Activa (EA): Basado en las conclusiones conceptuales, la persona experimenta con nuevas ideas y conceptos en situaciones prácticas. Esto puede llevar a la aplicación de nuevos enfoques o estrategias en situaciones futuras.
2. Esquema Espiral Continuo:
   • El modelo de Kolb y Fry sugiere que el aprendizaje es un proceso continuo y cíclico. Después de completar un ciclo, se alienta a la persona a aplicar lo aprendido en nuevas experiencias, lo que inicia un nuevo ciclo de aprendizaje.
3. Inicio del Ciclo de Aprendizaje:
   • Smith (2001, 2010) sugiere que el proceso de aprendizaje a menudo comienza cuando una persona realiza una acción específica y luego observa los efectos de esa acción en una situación. Por ejemplo, un individuo puede probar una nueva estrategia en el trabajo y luego reflexionar sobre cómo esa acción afectó el resultado.

El modelo de Kolb y Fry destaca la importancia de la experiencia y la reflexión en el proceso de aprendizaje. Puede comenzar en cualquier punto del ciclo y se debe considerar como un proceso continuo de mejora y crecimiento. La observación reflexiva y la conceptualización abstracta son pasos críticos para la comprensión profunda y la aplicación efectiva del aprendizaje.

El enfoque de la Educación Disruptiva implica un cambio significativo en la forma en que se aborda el aprendizaje. Veamos cómo la observación reflexiva y la conceptualización abstracta son esenciales en este contexto y cómo la inteligencia (artificial) desempeña un papel crucial:

1. Observación Reflexiva y Conceptualización Abstracta:
   • Estos dos pasos permiten a los estudiantes profundizar en la comprensión de sus experiencias. La observación reflexiva involucra una introspección crítica sobre la experiencia vivida, considerando los efectos, emociones y aprendizajes. Por otro lado, la conceptualización abstracta lleva la reflexión a un nivel más teórico, buscando patrones y conexiones con conocimientos previos.
2. Aplicación en la Educación Disruptiva:
   • En la Educación Disruptiva, se busca moverse más allá de los métodos tradicionales de búsqueda de evidencias estáticas y predefinidas. En lugar de centrarse únicamente en la acumulación de pruebas tangibles, se valora el proceso de reflexión y conceptualización. Esto significa que los estudiantes están siendo alentados a no solo recolectar datos, sino a reflexionar profundamente sobre lo que están experimentando y aprender a través de procesos más complejos.
3. Escenario Multifacético y Entradas/Salidas Dinámicas:
   • La Educación Disruptiva crea un entorno de aprendizaje que es diverso y flexible. En lugar de seguir una ruta lineal, se admiten múltiples fuentes de información y experiencias, lo que enriquece el proceso de aprendizaje. Esto puede incluir la participación activa en proyectos, la colaboración con compañeros, la interacción con tecnologías avanzadas y el acceso a una amplia variedad de recursos de aprendizaje.
4. Intervención de la Inteligencia:
   • La inteligencia( artificial)juega un papel crucial en este contexto. La IA y otras tecnologías avanzadas pueden ser herramientas poderosas para analizar y procesar grandes cantidades de información, proporcionando insights valiosos y ayudando a los estudiantes a encontrar patrones y conexiones en sus experiencias.
5. Desafío a las Complejidades:
   • La Educación Disruptiva reconoce y aborda la complejidad inherente en el aprendizaje. No se trata simplemente de recopilar pruebas superficiales, sino de sumergirse en el significado y las implicaciones de las experiencias vividas. Esto desafía el enfoque tradicional de la educación (EVIDENCIAS) y promueve una comprensión más profunda y auténtica.

La observación reflexiva y la conceptualización abstracta en la Educación Disruptiva fomentan un tipo de aprendizaje más profundo y significativo. Esto se logra mediante la creación de un entorno multifacético que admite la diversidad de experiencias y la intervención de la inteligencia para comprender y aplicar el conocimiento de manera más efectiva.

Crítica del “Experiential Learning Circle” de Kolb y Fry (1975)…

1. No presta suficiente atención al proceso de reflexión (Boud et al 1983)

2. Kolb y Fry hacen encajar el esquema con cuatro estilos de aprendizaje. Sin embargo, esta vinculación da como resultado un esquema demasiado cerrado e incompleto de los modos de aprendizaje. Se está priorizando un estilo particular de aprendizaje, pero el aprendizaje mediante la evidencia y la experiencia no se aplica a todas las situaciones. Kolb deja al margen otras formas como la asimilación de información o memorización. (Jarvis 1987; Tennant 1997)

La observación de Jarvis sobre los diferentes enfoques del aprendizaje experiencial plantea una consideración importante. Weil y McGill (1989) categorizan el aprendizaje experiencial en cuatro «pueblos», lo que indica que hay múltiples formas de abordar este tipo de aprendizaje. Esto significa que no existe un enfoque único que funcione para todas las situaciones de aprendizaje.

Por otro lado, Kolb se centra en un ciclo de aprendizaje que involucra la experiencia, la reflexión, la conceptualización y la experimentación activa. Sin embargo, esto no cubre todas las formas de aprendizaje, como la asimilación de información o la memorización, que también pueden ser valiosas en ciertos contextos de aprendizaje (Jarvis, 1987; Tennant, 1997).

Cuando se relaciona con la transformación propia de la Educación Disruptiva frente a la IA, se pueden hacer las siguientes conexiones:

1. Educación Disruptiva vs IA:
   • La Educación Disruptiva desafía los métodos educativos tradicionales y busca crear entornos de aprendizaje más dinámicos y personalizados. Esto se alinea con la idea de que no hay un solo enfoque de aprendizaje que funcione para todos. En lugar de centrarse únicamente en un estilo particular de aprendizaje, la Educación Disruptiva busca adaptarse a las necesidades individuales y a las diferentes formas de aprender.
2. IA y Personalización del Aprendizaje:
   • La IA tiene un papel importante en la Educación Disruptiva al permitir la personalización del aprendizaje. Al utilizar algoritmos y análisis de datos, la IA puede adaptar los materiales de aprendizaje y las actividades para satisfacer las necesidades específicas de cada estudiante. Esto incluye reconocer y apoyar diferentes estilos de aprendizaje y preferencias.
3. Ampliación de Enfoques de Aprendizaje:
   • La IA también puede ampliar los enfoques de aprendizaje al permitir la integración de diferentes modalidades y métodos de enseñanza. Por ejemplo, puede facilitar la combinación de aprendizaje basado en la experiencia con enfoques más tradicionales, como la asimilación de información o la memorización, según lo que sea más efectivo para un estudiante en particular.

La Educación Disruptiva, en combinación con la IA, busca ofrecer un enfoque de aprendizaje más flexible y personalizado que reconoce la diversidad de estilos y formas de aprendizaje. Esto implica la integración de múltiples enfoques, incluidos aquellos destacados por Weil y McGill (1989), así como la consideración de la asimilación de información y la memorización como componentes válidos del proceso educativo.

El último punto se relaciona directamente con la desmitificación de la evidencia como un elemento estático y no disruptivo en el proceso de aprendizaje. Veamos cómo:

1. Desmitificación de la Evidencia:
   • La desmitificación de la evidencia implica reconocer que el aprendizaje no se limita a la acumulación de hechos y pruebas estáticas. En cambio, el aprendizaje es un proceso dinámico que implica la aplicación, la reflexión y la adaptación a diversas situaciones y contextos.
2. Ampliando el Enfoque de Aprendizaje:
   • Al integrar la IA y la Educación Disruptiva, se amplía el enfoque de aprendizaje. Esto significa que no se trata solo de reunir evidencia en forma de datos o resultados estáticos. En cambio, se adopta un enfoque más holístico que considera la diversidad de formas de aprender y la importancia de adaptar el proceso educativo a las necesidades individuales.
3. Incorporación de Diferentes Modalidades de Enseñanza:
   • La IA, al permitir la personalización del aprendizaje, facilita la integración de diferentes modalidades de enseñanza. Esto incluye la incorporación de métodos más tradicionales como la asimilación de información y la memorización junto con enfoques más experienciales y basados en la reflexión.
4. Dinamismo y Adaptación Continua:
   • La IA proporciona la capacidad de monitorear y evaluar el progreso del estudiante en tiempo real. Esto significa que el enfoque de aprendizaje puede ajustarse y adaptarse a medida que evoluciona el proceso educativo. No se trata de seguir un camino predefinido, sino de responder a las necesidades y preferencias cambiantes del estudiante.

Al desmitificar la evidencia como el único elemento central y estático del aprendizaje, se abre la puerta a un enfoque más amplio y flexible que aprovecha la tecnología y la personalización del aprendizaje. La IA, en combinación con la Educación Disruptiva, permite una adaptación continua y una mayor consideración de la diversidad de estilos y formas de aprendizaje.

3. El modelo toma muy poco en cuenta la diferentes culturas en los relativo a condiciones, experiencias y estilos de comunicación. (Anderson 1988Anderson 1988)

4. La idea de etapas o pasos no encaja muy bien con la realidad del pensamiento. Como señaló Dewey (1933) numerosos procesos pueden ocurrir simultáneamente y las etapas pueden ser saltadas. Esta forma tan clara de presentar las cosas es demasiado simplista.

5. El respaldo empírico de la teoría es débil (Jarvis 1987; Tennant 1997). La base de la investigación inicial fue muy limitada y ha habido posteriormente muy pocos estudios sobre el tema.

6. La relación entre proceso de aprendizaje y conocimiento es problemática. La postura de Kolb es algo simplista y no tiene en cuenta las distintas posiciones en torno a la naturaleza del conocimiento.

Jarvis también llama la atención sobre los diferentes usos del término, citando Weil y McGill (1989: 3) categorización de aprendizaje experiencial en cuatro “pueblos”: (Conferencia Internacional sobre Aprendizaje Experimental en Londres en 1987)

Pueblo Uno se preocupa sobre todo con la evaluación y la acreditación de aprender de la experiencia de vida y de trabajo ….

Aldea Dos se centra en el aprendizaje experimental como base para lograr un cambio en las estructuras … de la educación post-escolar ….

Aldea Tres enfatiza el aprendizaje experimental como base para la toma de conciencia de grupo ….

Village Four está preocupado por el crecimiento personal y la auto-conciencia.

Es importante que la investigación educativa se involucre en cómo algunas de sus preocupaciones centrales -aprendizaje, capacitación, experiencia, comportamiento, selección de currículos, enseñanza, instrucción y pedagogía- se están reelaborando y aplicando dentro del sector tecnológico. De alguna manera, podríamos decir que los ingenieros, los científicos de datos, los programadores y los diseñadores de algoritmos se están convirtiendo en los maestros más poderosos de hoy en día, ya que son máquinas que permiten aprender a hacer cosas que cambian radicalmente nuestras vidas cotidianas.

Lo que hace que la programación ed-tecnología “adaptable” es que la IA evalúa la respuesta de un estudiante (por lo general a una pregunta de opción múltiple), luego sigue con la “segunda mejor” cuestión, cuyo objetivo es el nivel “adecuado” de dificultad. Esto no tiene por qué requerir un algoritmo especialmente complicado, y la idea en realidad basada en “la teoría de respuesta al ítem”, que se remonta a la década de 1950 y el ascenso de la psicometría. A pesar de las décadas siguientes, sinceramente, estos sistemas no se han vuelto terriblemente sofisticados, en gran parte debido a que tienden a basarse en pruebas de opción múltiple

El uso de los miembros del equipo y los compañeros (peer to peer) es una gran manera de articular y hacer comentarios sobre las decisiones de diseño.

Aunque las comprobaciones de calidad científica (llevada a cabo en el S XX únicamente por las evidencias) por homólogos deben estar bien facilitadas para evitar posturas subjetivas , pueden ser un método ideal para explicar la comprensión de los problemas subyacentes, hechos y datos; el dominio del problema; las necesidades de los usuarios finales; y el razonamiento detrás de las decisiones que ha tomado.

Pronto el registro y análisis de datos semánticos podrá convertirse en un nuevo lenguaje común para las ciencias humanas y contribuir a su renovación y el desarrollo futuro, que harán que la IA sea un elelento indispensable para ello (recordemos que sierme dentro de un macroescenario de Educación disruptiva de Farnós)

Todo el mundo será capaz de clasificar los datos como quieran. Cualquier disciplina, ninguna cultura, ninguna teoría será capaz de clasificar los datos a su manera, para permitir la diversidad, utilizando un único metalenguaje, para garantizar la interoperabilidad. (EXCELENCIA PERSONALIZADA AUTOMATIZADA, por medio de una mezcla de inteligencia artificial y algorítmica.

Esto generará automáticamente los ecosistemas de las ideas que serán navegables con todas sus relaciones semánticas. Seremos capaces de comparar diferentes ecosistemas de las ideas de acuerdo a nuestros datos y las diferentes formas de clasificarlos. Seremos capaz de elegir diferentes perspectivas y enfoques…..(personalized learning and Social Learning)

Vamos a ser capaces de analizar y manipular significado, y allí radica la esencia de las ciencias humanas.

Estas operaciones que se harán de manera automatizada y significativa deberá proporcionarnos la suficiente seguridad, transparencia y confiabilidad,… y lo hará si la sociedad quiere que así sea.

La transformación es el cambio de una o muchas variables en el estudio y una de ellas son las evidencias.

Se transforman variables, por ejemplo, al remplazar los valores originales por Algoritmos (transformación Algorítmica). Frecuentemente los datos que son obtenidos no se ajustan a una distribución normal, por lo cual es inapropiado el ejecutar pruebas paramétricas.

La pieza central de cualquier forma de “aprendizaje personalizado” es el algoritmo para la adaptación de los aprendizajes a los estudiantes individuales .Es cierto que cuando se programa un algoritmo se puede hacer más incidencia en unos valores más que con otros, éstas decisiones son subjetivas; que contienen juicios de valor sobre las variables dependientes e independientes y su relación entre sí. Las cifras ocultan la subjetividad dentro de estas ecuaciones….

Con todo ello la personalización por las tecnologías digitales (algoritmos) sólo libera los seres humanos para personalizar mejor nuestra vida (es decir, encontrar nuestras propias maneras), lo demás deben hacerlo las tecnologías y es aquí mi insistencia en conseguir un ALGORITMO, el cual pueda facilitar la recepción de DATOS, pasarlos por un proceso de ANALISIS Y CRITICA, lo que los transformara en APRENDIZAJES. Si todo el proceso esta evaluado, necesitaremos el algoritmo para que nos realice la retroalimentación. Lo cual hará que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico.

En los últimos tiempos se están dando son corrientes referentes al Big data y a a los Algoritmos (Inteligencia Artificial), los que predicen que significaran la “visualización” de una época con rayos y truenos, que nos tendrá vigilados permanentemente ” Un artículo del periodista holandés Dimitri Tokmetzis demostró el año pasado hasta qué punto esto puede ir en los datos de montaje de retratos compuestos de lo que somos. Google sabe lo que busca y puede inferir no sólo qué tipo de noticias que lees en un domingo por la mañana y qué tipo de películas prefieres un viernes, qué tipo de porno que probablemente nos gustaría mirar y dejarnos boquiabiertos en la noche del sábado , lo que ha hecho que los bares y restaurantes cierren”….

Los ingenieros de software crearán diferentes versiones de “aprendizaje personalizado” e insertarán los juicios de valor en las ecuaciones de regresión complicados con el que han escrito para lecciones en línea. Estas ecuaciones estarán ancladas en los datos de los estudiantes prediciendo (no en su totalidad ya que los ingenieros y educadores hacen tweak- “masaje” -las ecuaciones favorecidas) lo que los estudiantes deben estudiar y absorber, clases individualizadas de software en línea , nosotros cambiamos lo de absorber de manera individualizada, por “aprender de manera personalizada-personalized learning, and social learning”.

Tales lecciones “personalizadas” alteran la función del docente para mejor, de acuerdo a los promotores de la tendencia. En lugar de cubrir el contenido y la enseñanza de habilidades directamente, los docentes pueden tener los estudiantes en línea , por medio de ELEARNING, MLEARNING… liberando así el mismo docente para acompañar a los estudiantes que se desplazan por delante de sus compañeros de clase y los que luchan.

El aprendizaje por refuerzo es otra parte de Machine Learning que podemos utilizar en la forma en que ayuda a la máquina a aprender de su progreso.

El aprendizaje de refuerzo basado en el concepto de aprendizaje no supervisado otorga una alta esfera de control a los agentes de software y las máquinas para determinar cuál puede ser el comportamiento ideal dentro de un contexto.

La información y la tecnología de las comunicaciones en sí mismo no mejoran el proceso educativo, si el foco está solamente en esto. La atención debe centrarse en lo que las TIC pueden hacer por el proceso educativo.

Los resultados del aprendizaje son los que una persona entiende, sabe y es capaz de hacer al culminar un proceso de aprendizaje. Los resultados del aprendizaje se expresan en conocimientos, habilidades y competencias adquiridas durante las diferentes experiencias de educación formal, no formal e informal con el objetivo de proporcionar a los jóvenes las habilidades requeridas en sus sus actividades, los estudiantes obtienen los mejores resultados, estar abierto a aprender, para buscar y encontrar la manera que más les convenga.

Con el Aprendizaje supervisado tenemos un supervisor externo que tiene suficiente conocimiento del medio ambiente y también comparte el aprendizaje con un supervisor para comprender mejor y completar la tarea, pero ya que tenemos problemas en los que el agente puede realizar tantas tareas.

Podemos tomar el ejemplo de un juego de ajedrez, donde el jugador puede jugar decenas de miles de movimientos para lograr el objetivo final. Crear una base de conocimiento para este propósito puede ser una tarea realmente complicada. Por lo tanto, es imperativo que en tales tareas, la computadora aprenda a manejar los asuntos por sí misma. Por lo tanto, es más factible y pertinente que la máquina aprenda de su propia experiencia.

Una vez que la máquina ha comenzado a aprender de su propia experiencia, puede obtener conocimiento de estas experiencias para implementarlas en los movimientos futuros. Esta es probablemente la diferencia más grande e imperativa entre los conceptos de refuerzo y aprendizaje supervisado. En estos dos tipos de aprendizaje, hay un cierto tipo de mapeo entre la salida y la entrada. Pero en el concepto de aprendizaje reforzado, existe una función de recompensa ejemplar, a diferencia del aprendizaje supervisado, que le permite al sistema conocer su progreso en el camino correcto.

Poner orden es en la mejora de las competencias en TIC del aprendizaje mediante la adaptación a los requerimientos de cada disciplina dentro de la sociedad de la información con diferentes interfaces de usuario. Es necesario el uso de los conceptos de la responsable de la adquisición de habilidades específicas de la disciplina sector de las TIC, conocimiento fijación, de desarrollo personal.

El aprendizaje de refuerzo básicamente tiene una estructura de mapeo que guía a la máquina desde la entrada hasta la salida. Sin embargo, el aprendizaje no supervisado no tiene tales características presentes en él. En el aprendizaje no supervisado, la máquina se centra en la tarea subyacente de ubicar los patrones en lugar del mapeo para avanzar hacia la meta final, por eso en este paso deberemos obviarlo, en el sentido posterior de su ejecución, es decir, utilizaremos sus patrones durante el proceso, pero después del mismo deberemos derivarlo hacia el aprendizaje SUPERVISADO, ya que es la única manera de llegar al PERSONALIZED LEARNING, por medio de una aplicación.

Por ejemplo, si la tarea de la máquina es sugerir una buena actualización de noticias a un usuario, un algoritmo de aprendizaje de refuerzo buscará recibir retroalimentación regular del usuario en cuestión, y luego a través de la retroalimentación construirá un gráfico de conocimiento confiable de todas las noticias. Artículos relacionados que le gusten a la persona. Por el contrario, un algoritmo de aprendizaje no supervisado intentará ver muchos otros artículos que la persona ha leído, similar a este, y sugerir algo que coincida con las preferencias del usuario.

Los reinos en el aprendizaje automático son infinitos. Puede visitar mi canal de YouTube para conocer más sobre el mundo de la IA y cómo el futuro será dictado por el uso de datos en las máquinas.

La tecnología abre nuevas formas radicales de la educación; romper barreras entre disciplinas impulsa nuevos campos creativos de la investigación y la invención; y poniendo el emprendimiento social en el centro de la misión de una universidad asegura pensadores brillantes jóvenes pueden llegar a ser nuestros más poderosos solucionadores de problemas.

A través de una colaboración continua, el intercambio de ideas y una buena dosis de coraje, estamos en el camino correcto para asegurar un cambio duradero en nuestra sociedad y en nuestra educación. Estoy emocionado de ver las ideas como éstas crecen y se transforman el futuro de la educación..

Para todo ello proponemos preguntas como:

-Cuáles son las dimensiones interculturales clave a considerar en equipos distribuidos?

-¿Cómo dimensiones culturales y sus diferencias se refieren a las preferencias de los canales de comunicación?

-¿Cómo afecta el uso de estas herramientas de una cultura a otra y por qué?

-¿Cuáles son los problemas típicos que surgen cuando los miembros de diferentes culturas tienen que trabajar juntos?

-¿Qué tipo de herramientas y canales de comunicación deben estar disponibles para colaborar en línea?

Con ello vamos a maximizar el rendimiento de la máquina de una manera que le ayuda a crecer. Aquí se requiere una retroalimentación simple que informe a la máquina sobre su progreso para ayudar a la máquina a conocer su comportamiento.

El aprendizaje por refuerzo no es simple, y es abordado por una gran cantidad de algoritmos diferentes, de hecho un agente decide la mejor acción en función del estado actual de los resultados.

El crecimiento en el aprendizaje por refuerzo ha llevado a la producción de una amplia variedad de algoritmos que ayudan a las máquinas a conocer el resultado de lo que están haciendo. Ya que tenemos una comprensión básica del Aprendizaje de Refuerzo a estas alturas, podemos comprender mejor formando un análisis comparativo entre el Aprendizaje de Refuerzo y los conceptos de Aprendizaje Supervisado y No Supervisado.

Las tecnologías de la información digital están transformando la manera en que trabajamos, aprendemos, y nos comunicamos. Dentro de esta revolución digital son los nuevos enfoques de aprendizaje que transforman los modelos jerárquicos, basado en la industria de la enseñanza y el aprendizaje. …

Consejos prácticos, ejemplos de la vida real, estudios de casos, y la oferta de recursos útiles perspectivas en profundidad sobre la estructuración y el fomento del aprendizaje socialmente atractivo en un entorno online….serán los que nos harán cambiar de una vez, que nos permitirán arriesgarnos y saber “estar” y vivir dentro de la incertidumbre, de una manera mucho más creativa que hasta ahora…

Sólo un ser humano realmente puede personalizar todo lo que él o ella lo hace. Es la era de la personalización, pero eso sólo significa ayudar a cada uno de nosotros para pasar menos tiempo en los detalles y más tiempo en las actividades humanas importantes, como la imaginación, la creatividad, el descubrimiento, la integración, la intuición, ..

La personalización por las tecnologías digitales sólo libera los seres humanos para personalizar mejor nuestra vida (es decir, encontrar nuestras propias maneras), lo demás deben hacerlo las tecnologías y e aqui mi insistencia en conseguir un ALGORITMO, el cual pueda facilitar la recepcion de DATOS, pasarlos por un proceso de ANALISIS Y CRITICA, lo que los transformara en APRENDIZAJES. Si todo el proceso esta evaluado, necesitaremos el algoritmo para que nos realice la retroalimentación. Lo cual hara que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico.

El mismo Pierson dice “Las evaluaciones se incrustan en las actividades de contenido y aprendizaje por lo que la instrucción y el aprendizaje no tiene que ser interrumpidos para determinar las áreas de progreso y desafío continuo. Mientras tanto, los algoritmos y las progresiones de aprendizaje integrados en el sistema van a ajustar en respuesta a las actividades de aprendizaje relacionadas del estudiante para permanecer en sintonía con sus ecosistemas de aprendizaje. Esta información también se proporciona al educador con opciones y recursos adicionales en tiempo real ya que el educador puede utilizarlo para apoyar al estudiante y su aprendizaje”

Como esta nueva tecnología comienza a tomar forma el diseño de otra sociedad ya que SUS MIMBRES son completamente nuevos a no como herramientas, metodologías…(innovaciones), sino un cambio “radical” en la concepción de la misma sociedad.

Algunos pensaran que en parte estamos en el APRENDIZAJE ADAPTATIVO, ya que nos basamos en los DATOS, pues no, lo hacemos así como una IDEA COMPLETAMENTE NUEVA, es decir, utilizamos DATOS, si, pero dentro del proceso personalizado de aprendizaje, por lo tanto se trata de algo completamente diferente.

Estos algoritmos de personalización (Rauch, Andrelczyk y Kusiak, 2007), recopilar información del usuario y analizan los datos para que pueda ser transmitida al usuario en momentos específicos (Venugopal, Srinivasa y Patnaik, 2009). Por ejemplo, cuando estoy terminado de ver un video en YouTube o una película en digital y he aquí que presenté con una lista de recomendaciones sobre los géneros que acabo consumidas. Esta idea funciona de forma similar con algoritmos de personalización que sería capaz de recomendar cursos o avenidas de aprendizaje basado en el conocimiento previo alumnos o cursos completados.

Es nuestra responsabilidad en esta sociedad:….

-Aplicar las técnicas de minería de datos, aprendizaje automático y reconocimiento de patrones para los conjuntos de datos estructurados y no estructurados.

-Diseño, desarrollo y prueba de algoritmos de aprendizaje y modelos de datos sobre el comportamiento humano para construir instrumentos de evaluación cognitiva

-Construir algoritmos personalizados para un motor de recomendación vía de desarrollo

-Los modelos de diseño para el desarrollo de aplicaciones nuevo juego

-Contribuir a la mejora de nuestros algoritmos.

También nos podemos hacer una serie de preguntas que no vamos a obviar….y que nos ayudaran a entender mejor el por qué de las cosas:…

¿El aprendizaje PERSONALIZADO tiene suficiente mejoría en el aprendizaje del aprendiz para justificar los costos de un sistema de aprendizaje más complejo?

¿Cómo podemos aprovechar algoritmos de aprendizaje automático “big data” y otros.. para la construcción de sistemas de aprendizaje personalizadas más eficientes y rentables?

¿Cómo pueden las ideas y resultados de la investigación de las ciencias cognitivas, utilizarlos para mejorar la eficacia de los sistemas de aprendizaje personalizados?.

En los últimos tiempos se están dando corrientes referentes al Big data y a los Algoritmos (Inteligencia Artificial), los que predicen que significaran la “visualización” de una época con rayos y truenos, que nos tendra vigilados permanentemente ” Un artículo del periodista holandés Dimitri Tokmetzis demostró el año pasado hasta qué punto esto puede ir en los datos de montaje de retratos compuestos de lo que somos. Google sabe lo que busca y puede inferir no sólo qué tipo de noticias que lees en un domingo por la mañana y qué tipo de películas prefieres un viernes, qué tipo de porno que probablemente nos gustaría mirar y dejarnos boquiabiertos en la noche del sábado , lo que ha hecho que los bares y restaurantes cierren”….

La propuesta de Bentham para una Máquina total de la visibilidad puede ser menos significativa a la tesis de los universos de datos emergentes que sus contribuciones a la moral del utilitarismo y su supuesto de que se puede medir nuestro bienestar.

El panóptico es un tipo de arquitectura carcelaria ideada por el filósofo utilitarista Jeremy Bentham hacia fines del siglo XVIII. El objetivo de la estructura panóptica es permitir a su guardián, guarnecido en una torre central, observar a todos los prisioneros, recluidos en celdas individuales alrededor de la torre, sin que estos puedan saber si son observados”.

El efecto más importante del panóptico es inducir en el detenido un estado consciente y permanente de visibilidad que garantiza el funcionamiento automático del poder, sin que ese poder se esté ejerciendo de manera efectiva en cada momento, puesto que el prisionero no puede saber cuándo se le vigila y cuándo no”….

ste dispositivo debía crear así un «sentimiento de omnisciencia invisible» sobre los detenidos. El filósofo e historiador Michel Foucault, en su obra Vigilar y castigar (1975), estudió el modelo abstracto de una sociedad disciplinaria, inaugurando una larga serie de estudios sobre el dispositivo panóptico. «La moral reformada, la salud preservada, la industria vigorizada, la instrucción difundida, los cargos públicos disminuidos, la economía fortificada, todo gracias una simple idea arquitectónica.» — Jeremy Bentham, Le Panoptique, 1780.

Estamos hoy en la clase difusa del pensamiento calculador y comparaciones cuantitativas insta a que el utilitarismo, tal razonamiento no se basa en el trabajo de visibilidad a hacer. Más bien, eso depende de algoritmos de análisis, qui a su vez depende de la presa de los algoritmos silenciosos –los que convierten en silencio nuestro comportamiento en una avalancha de datos. (son la metáfora de los presos alrededor que se pusieron alrededor de una torre de vigilancia para ser visualizados, hasta que estos alcanzaron la manera de evitarlo( estos eran los algoritmos)….

Este precio informativo se compone de DATOS ESTANDARIZADOS a través del que hemos llegado a definir nosotros mismos: transcripciones escolares, registros de salud, cuentas de crédito, títulos de propiedad, identidades legales. Hoy en día, tesis arraigada tipo de individualidad datos están siendo blanco amplió para abarcar más y más de lo que podemos ser: (En educación seria el PERSONALIZED LEARNING, que nosotros mismos abogamos y además instauramos en algoritmos personalizados, nunca creadores de patrones)..

La transformación es el cambio de una o muchas variables en el estudio.

Se transforman variables, por ejemplo, al remplazar los valores originales por algoritmos (transformación algorítmica). Frecuentemente los datos que son obtenidos no se ajustan a una distribución normal, por lo cual es inapropiado el ejecutar pruebas paramétricas

Muchas variables no se comportan de forma lineal o aritmética, por ejemplo las abundancias siguen un patrón exponencial.

En la educación básica se promueve que el sistema decimal es el único “natural”

Nunca vemos los algoritmos que hacen su trabajo, incluso a medida que nos afectan. Ellos producen en sus sistemas de cifrado, todo invisible, enterrado en cajas negras componer silencio sinfonías de ceros y unos….

Pierre Levy, el pensador de TUNEZ, propone una forma de procesar la información «codificándola» en algoritmos. Los humanos tenemos una habilidad muy especial, que es la de manipular símbolos. Y a lo largo de nuestra historia, cada mejora en esa habilidad ha producido cambios muy significativos a nivel económico, social, político, religioso, epistemológico, científico y educativo. Esos cambios, que trazan una evolución cultural, van desde los rituales y narrativas primigenios, la invención de la escritura, la creación de alfabetos y sistemas numéricos consensuados y permanentes, la fabricación de un artefacto tecnológico como la imprenta hasta arribar a la automatización de la reproducción en la difusión de símbolos.

Todos esos pasos aumentaron la posibilidad de almacenamiento de nuestra memoria, la expandieron, incrementaron la inteligencia colectiva y subieron un nivel en la escala evolutiva cultural.

En ese sentido, la propuesta de Lévy se aleja de la inteligencia artificial. La suya es una perspectiva completamente distinta: para él no se trata de crear máquinas inteligentes o más inteligentes que los humanos, sino de hacer a los humanos más inteligentes. Cada nivel de complejidad implica un tipo de conocimiento emergente nuevo y más poderoso, en el que todos los procesos cognitivos están aumentados. El último paso, es decir, aquel hacia el cual tendemos, sería el conocimiento algorítmico.

Y esa propuesta es la que hacemos nosotros (JUAN DOMINGO FARNOS https://juandomingofarnos.wordpress.com/…/algoritmos…/

INCLUSO DENTRO DE UN PROCESO transversal y multidisciplinar, para lograr nos lo eso, sino una autonomía en los aprendizajes y una personalización, como nunca hasta ahora se ha producido (POR TANTO TOTALMENTE ORIGINAL, apoyada en todo lo que les escribo, más las distintas potencialidades que tenemos de aprendizaje que tenemos las personas en nuestro cerebro y que les visualizo.

No podemos confundir la aplicación de los algoritmos en el aprendizaje personalizado (personalized learning), algunos lo llaman educación personalizada, aunque realmente está muy lejos uno de la otra, como realizar clases particulares, tal como hacen algunas escuelas de Nueva York, “utiliza el análisis de aprendizaje para desarrollar en las matemáticas personalizadas programas de aprendizaje. La Escuela con algoritmos de aprendizaje realiza evaluaciones cotidianas de estilos de aprendizaje y matemáticas de los estudiantes, y lo hace para producir un aprendizaje “lista de reproducción” personalizado para cada alumno. Esta lista se compone de clases particulares de matemáticas, que se ponen en el orden en que el algoritmo determina que es óptimo para el desarrollo de las habilidades matemáticas de los estudiantes. Ciertamente, Escuela de uno se apresura a señalar que este está destinado a complementar, no sustituir, la experiencia de un maestro individual”..

La personalización por las tecnologías digitales sólo libera los seres humanos para personalizar mejor nuestra vida (es decir, encontrar nuestras propias maneras), lo demás deben hacerlo las tecnologías y e aquí mi insistencia en conseguir un ALGORITMO, el cual pueda facilitar la recepción de DATOS, pasarlos por un proceso de ANALISIS Y CRITICA, lo que los transformará en APRENDIZAJES. Si todo el proceso esta evaluado, necesitaremos el algoritmo para que nos realice la retroalimentación. Lo cual hara que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico, pero siempre seremos nosotros quienes elijamos en última instancia el camino que vamos a seguir, frente a las múltiples propuestas en “beta” que nos presentará la tecnología.

Pronto el registro y análisis de datos semánticos podrá convertirse en un nuevo lenguaje común para las ciencias humanas y contribuir a su renovación y el desarrollo futuro.

Todo el mundo será capaz de clasificar los datos como quieran. Cualquier disciplina, ninguna cultura, ninguna teoría será capaz de clasificar los datos a su manera, para permitir la diversidad, utilizando un único metalenguaje, para garantizar la interoperabilidad. (EXCELENCIA PERSONALIZADA AUTOMATIZADA,) por medio de una mezcla de inteligencia artificial y algorítmica.

Si partimos de la idea de que la REALIDAD es múltiple, podemos entender por qué aprender en la diversidad no tiene porque llevarnos a un punto común-….esta premisa es fundamental para entender el pensamiento crítico en los aprendizajes y sin la cuál sería imposible llevar a cabo aprendizajes basados en la diversidad-INCLUSIVIDAD (EXCELENCIA)…

Todo el mundo será capaz de clasificar los datos como quieran. Cualquier disciplina, ninguna cultura, ninguna teoría será capaz de clasificar los datos a su manera, para permitir la diversidad, utilizando un único metalenguaje, para garantizar la interoperabilidad. (EXCELENCIA PERSONALIZADA AUTOMATIZADA, por medio de una mezcla de inteligencia artificial y algorítmica.

“Vamos ya a aprender durante toda nuestra vida y en cualquier momento, el qué, cuándo, cómo y dónde (eligiendo con quién), ya han dejado de ser, una obligación para pasar a seer algo usual en nuestra vida, las TIC, Internet, la Inteligencia Artificial, “han dinamitado” todo ese planteamiento que no sabíamos ni podíamos superar, ahora el estaticismo de aprender de manera controlada, uniforme, el “ocupar un espacio y un tiempo”, han dejado ya de existir, por lo cual, vivimos aprendiendo, aprendemos en cada momento de nuestra vida, por eso, cualquier planteamiento que hagamos en este impás, debe acomodarse a esta nueva manera de entender la vida que ya está aquí, pero estamos “suscribiendo” las maneras de llegar a ello”.

juandon

FUENTES.

Este es nuestro campo de trabajo de los ALGORITMOS CON EL PERSONALIZED LEARNING https://juandomingofarnos.wordpress.com/tag/algoritmos/ Juan Domingo Farnós Miró

Vagale, Vija “ERSONALIZATION OPPORTUNITIES IN THE MOODLESYSTEM” http://www.academia.edu/3275982/PERSONALIZATION_OPPORTUNITIES_IN_THE_MOODLE_SYSTEM

B. Mobasher, “Minería de Datos para la personalización,” La Web Adaptativo: Métodos y Estrategias de Web Personalización, P. Brusilovsky, A. Kobsa, y W. Nejdl, eds., Pp. 1–46, Springer, 2007.

AI Schein, A. Popescul, y LH Ungar, “Métodos y métricas para arranque en frío Recomendaciones”, Proc. 25 de Ann. Int’l ACM SIGIR Conf. Investigación y Desarrollo en Recuperación de Información, pp. 253–260, 2002.

S. McNee, J. Riedl, y JA Konstan, “Siendo precisa no es suficiente: Cómo métricas de precisión han herido de recomendación Systems,” Proc. ACM SIGCHI resúmenes sobre Factores Humanos en Sistemas Informáticos (CHI EA ’06), pp Extended. 1097–1101, 2006.

http://www.pearson.com.ar/pte.php

http://thenewinquiry.com/…/the-algorithm-and-the…/ The Algorithm and the Watchtower

By Colin Koopman

Vagale, Vija “ERSONALIZATION OPPORTUNITIES IN THE MOODLESYSTEM” http://www.academia.edu/…/PERSONALIZATION_OPPORTUNITIES…

1. Jarvis, P. (1987). Adult learning in the social context. Routledge.
2. Smith, M. K. (2001). ‘David A. Kolb on experiential learning’. The encyclopedia of informal education. Link
3. Tennant, M. (1997). Psychology and adult learning. Routledge.

Artículos sobre Educación Disruptiva y Tecnología:

1. Christensen, C. M., Horn, M. B., & Johnson, C. W. (2008). Disrupting class: How disruptive innovation will change the way the world learns. McGraw-Hill.
2. Siemens, G., & Matheos, K. (2012). Systemic changes in higher education. In Preparing for the digital university (pp. 49-66). AU Press, Athabasca University.

Artículos sobre Inteligencia Artificial en Educación:

1. Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. In Handbook of research on educational communications and technology (pp. 337-346). Springer.
2. Conati, C., & Heffernan, N. (2013). The power of data-driven learning analytics to improve learning. In Proceedings of the 3rd International Conference on Learning Analytics and Knowledge (pp. 1-2).
3. Libros:
4. Papert, S. (1980). Mindstorms: Children, Computers, And Powerful Ideas. Basic Books.
5. Rogers, C. R. (1969). Freedom to Learn. Merrill.
6. Bruner, J. S. (1960). The Process of Education. Harvard University Press.
7. Artículos:
8. Mitra, S. (2000). Children and the Internet. BMJ, 321(7276), 1193-1196.
9. Eisner, E. W. (2002). What does it mean to say a school is doing well? Phi Delta Kappan, 83(8), 584-592.
10. Schank, R. (1994). Goal-based scenarios: A radical look at education. International Journal of Artificial Intelligence in Education, 5(3), 231-235.
11. Artículos sobre Educación Disruptiva y Tecnología:
12. Horn, M. B., & Staker, H. (2015). Blended: Using disruptive innovation to improve schools. Jossey-Bass.
13. Christensen, C. M., & Horn, M. B. (2013). Blended learning and the disruption of education. Clayton Christensen Institute for Disruptive Innovation.
14. Artículos sobre Inteligencia Artificial en Educación:
15. Baker, R. S. (2016). Stupid tutoring systems, intelligent humans. International Journal of Artificial Intelligence in Education, 26(2), 600-614.
16. VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197-221.
17. Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. International Journal of Artificial Intelligence in Education, 26(2), 474-498.
18. Libros:
19. Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review.
20. Anderson, T., & Dron, J. (2011). Three generations of distance education pedagogy. The International Review of Research in Open and Distributed Learning, 12(3), 80-97.
21. Siemens, G., Gašević, D., & Dawson, S. (2015). Preparing for the digital university: A review of the history and current state of distance, blended, and online learning. Athabasca University Press.
22. Artículos:
23. Anderson, T., & Dron, J. (2012). Learning technology through three generations of technology enhanced distance education pedagogy. European Journal of Open, Distance and E-Learning.
24. Means, B., Toyama, Y., Murphy, R., Bakia, M., & Jones, K. (2010). Evaluation of evidence-based practices in online learning: A meta-analysis and review of online learning studies. US Department of Education.
25. Zhu, M., Sari, A., Lee, M., & Gibbs, W. J. (2018). A review of research on blended learning in teacher education: A quest for a comprehensive research agenda. Journal of Digital Learning in Teacher Education, 34(3), 138-151.
26. Artículos sobre Inteligencia Artificial en Educación:
27. Lane, H. C., & VanLehn, K. (2005). Teaching and coaching by example using a cognitive model. In Intelligent Tutoring Systems (pp. 257-270). Springer, Berlin, Heidelberg.
28. Roll, I., Aleven, V., McLaren, B. M., & Koedinger, K. R. (2011). Improving students’ help-seeking skills using metacognitive feedback in an intelligent tutoring system. Learning and Instruction, 21(2), 267-280.
29. Pardos, Z. A., & Heffernan, N. T. (2010). Modeling individualization in a Bayesian networks implementation of knowledge tracing. In International Conference on User Modeling, Adaptation, and Personalization (pp. 255-266). Springer, Berlin, Heidelberg.