Del Docente Presencial Al Docente Virtual

D. Jonassen

Código0,75 créditos

Procesos

P06/M1104/01593

de aprendizajemediante las TIC

Del docente presencial

www.uoc .eduU

al docente virtual

D. Jonassen

Distinguished Professor of Education

Department of Educational, School, and Counseling Psychology

University of Missouri-Columbia

Responsable de autoría: Josep M. Mominó

3

Procesos de aprendizaje mediante las TIC

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Índice

Introducción ................................................................... 7

1. La construcción de modelos para el cambio conceptual ................................................................. 131.1. Resultados del aprendizaje significativo .................. 13

1.1.1. Modelos mentales ....................................... 141.1.2. Cambio conceptual ..................................... 15

1.2. Construcción de modelos mentales ........................ 181.2.1. Construcción de modelos frente

a consumo .................................................. 201.3. ¿Qué modelamos? ............................................... 21

1.3.1. Construcción de modelos de los conocimientos dominantes ................. 22

1.3.2. Construir modelos problema ....................... 231.3.3. Construir modelos de sistemas ..................... 271.3.4. Construir modelos de experiencias

(historias) .................................................... 301.3.5. Construir modelos de pensamiento

(simulaciones cognitivas) .............................. 321.4. Tipos de sistemas de aprendizaje basados

en modelos .......................................................... 351.4.1. Construcción de simulaciones deductivas ...... 351.4.2. Construcción de modelos inductivos

de simulación .............................................. 371.4.3. Exploración de modelos de caja negra

o simulaciones ............................................ 371.4.4. Modelos causales cualitativos ....................... 381.4.5. Herramientas de construcción de modelos

semánticos .................................................. 381.4.6. Advertencias críticas sobre las herramientas

de construcción de modelos ......................... 391.5. Valorar el cambio conceptual con modelos

construidos por estudiantes ................................... 401.6. Bases para la construcción de modelos .................. 411.7. Limitaciones para la construcción de modelos ........ 42

Del docente presencial al docente virtual

4

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

2. Aprender a solucionar problemas ............................ 452.1. ¿En qué consiste la resolución de problemas? ......... 452.2. Variedad de problemas ......................................... 46

2.2.1. Estructuración .............................................. 462.2.2. Complejidad ............................................... 482.2.3. Especificidad de campo

(abstractos-situados) .................................... 492.3. Tipología de solución de problemas ....................... 50

2.3.1. Problemas lógicos ........................................ 522.3.2. Problemas algorítmicos ................................ 522.3.3. Problemas narrados ..................................... 532.3.4. Problemas que usan reglas .......................... 532.3.5. Problemas de toma de decisiones ................. 542.3.6. Problemas de resolución de dificultades ........ 542.3.7. Problemas de solución y diagnosis ................ 552.3.8. Actuaciones estratégicas ............................... 562.3.9. Problemas políticos y de análisis

de casos ubicados ....................................... 562.3.10.Problemas de diseño .................................. 572.3.11.Dilemas ..................................................... 58

3. Entornos de aprendizaje de resolución de problemas en línea .............................................. 593.1. Problemas narrados .............................................. 59

3.1.1. Tipo de problema y tipología ....................... 603.1.2. Clasificación de problemas .......................... 643.1.3. Problema verbal .......................................... 653.1.4. Identificador del conjunto ............................. 653.1.5. Modelo estructural ....................................... 663.1.6. Constructor de ecuaciones ........................... 673.1.7. Modelo situacional ...................................... 683.1.8. Ejemplos trabajados .................................... 683.1.9. Asuntos de la práctica .................................. 693.1.10. Instrucción de contenido ............................. 703.1.11.Resumen ................................................... 70

3.2. Problemas de resolución de dificultades ................. 713.2.1. Modelo conceptual ...................................... 733.2.2. Localizador de dificultades o averías ............. 733.2.3. Biblioteca o archivo de casos ........................ 753.2.4. Ejemplos trabajados .................................... 773.2.5. Temas de práctica ....................................... 77

3.3. Problemas de análisis de casos/sistemas ................ 783.3.1. Representación de problemas ....................... 79

5


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

3.3.2. Herramientas de representación de problemas .............................................. 83

3.3.3. Generar opciones de solución: acomodar perspectivas múltiples .................................. 85

3.3.4. Argumentación ........................................... 85

4. Argumentación mediante la tecnología para apoyar la resolución de problemas ................. 894.1. Tecnologías de argumentación .............................. 91

4.1.1. SenseMaker ................................................ 964.1.2. Belvedere .................................................... 974.1.3. Convince Me ............................................... 98

Resumen ........................................................................ 99

Mapa conceptual ........................................................... 101

Glosario ......................................................................... 103

Bibliografía .................................................................... 107

7


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

El siguiente módulo describe los puntos de vista actuales sobre cómo se

puede usar la tecnología para impulsar un aprendizaje más significativo

en el campo de la educación. En él se habla más de aprendizaje y de

formación que de tecnología. ¿Por qué? Últimamente muchos formado-

res han visto la tecnología como la salvación de la educación. Hasta que

los formadores no se pongan de acuerdo en que debería modificarse la

naturaleza del aprendizaje en los procesos formativos, probablemente

la tecnología no tendrá ningún efecto sobre la misma. Es decir, la tec-

nología por sí misma no puede cambiar la educación. Tenemos que es-

tar todos de acuerdo en que la formación debe centrarse en un

aprendizaje significativo, el tipo de aprendizaje que lleva a los estudian-

tes a un nivel profundo de pensamiento.

Muchos informes en Estados Unidos han concluido que la compleji-

dad que supone avanzar en el mundo del siglo XXI requiere nuevas

habilidades y formas de pensar. La preparación necesaria para que

los estudiantes cumplan estos requisitos debe fomentarse en las ins-

tituciones educativas mediante entornos intelectuales enriquecidos.

Más que explicar a los estudiantes el mundo que van a encontrarse

fuera del centro, es este mundo el que debe llamarles la atención.

Los estudiantes tienen que aprender a solucionar problemas comple-

jos y mal definidos, progresar en la ambigüedad y abarcar distintas

perspectivas, usando un repertorio de habilidades intelectuales y

creativas que con poca frecuencia les son requeridas. Cuando los

formadores crean que estos objetivos son importantes, la tecnología

podrá tener un mayor impacto en el aprendizaje y la educación.

Este módulo se basa en la teoría sobre el desarrollo del aprendizaje sig-

nificativo que se ha denominado constructivismo. El constructivismo par-

te de los siguientes supuestos (Jonassen, Peck y Wilson, 1999):

1. El conocimiento se construye

Las personas dan sentido a su mundo y a todo aquello con lo que

mantienen un contacto construyendo representaciones mentales de

Introducción


8

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

la realidad. Los seres humanos son perceptores e intérpretes que

construyen sus propias interpretaciones del mundo físico mediante

actividades interpretativas y cognitivas que suponen la creación de

modelos mentales. Este proceso de elaboración del sentido implica

acomodar ideas y fenómenos nuevos en las creencias y conocimien-

tos existentes que ya habían sido construidos por el estudiante.

2. La realidad (el sentido que construimos del mundo) se encuentra

en la mente

El proceso de elaboración del sentido tiene como resultado un cono-

cimiento que es único a la persona, puesto que se basa en un con-

junto de experiencias únicas que han producido una combinación de

creencias sobre el mundo también única. Un principio importante es

que el conocimiento no es una entidad externa que se encuentra en

el mundo físico y que debe ser adquirido o transmitido.

3. Así pues, existen múltiples perspectivas del mundo

Del mismo modo que no existen dos personas en el mundo que ten-

gan las mismas experiencias y las mismas percepciones de estas ex-

periencias, cada uno de nosotros construye un conocimiento propio

que, a su vez, afecta a la percepción de las experiencias que com-

partimos. En este sentido, por ejemplo, cualquier discusión sobre po-

lítica, religión o cerveza evoca una multitud de perspectivas sobre

cualquier fenómeno que se discuta.

4. El conocimiento se construye a partir de nuestras interacciones

con el medio ambiente

No podemos separar nuestro conocimiento sobre un área, de nues-

tras interacciones con esta área; ni podemos valorar el conocimiento

adquirido sin tener en cuenta cómo se adquiere (Savery y Duffy,

1995). Es decir, las personas sólo pueden interpretar la información

en el contexto de sus propias experiencias, y aquello que interpreten

será, hasta cierto punto, individual (Jonassen, 1991). El conocimien-

to que las personas construyen consiste no sólo en las ideas (conte-

nido), sino también en el conocimiento sobre el contexto en que son

adquiridas, lo que la persona estaba haciendo en aquel entorno y

aquello que pretendía del mismo. Lo que diferencia a los seres hu-

9


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

manos de las formas inferiores de vida (por lo que sabemos) es la

intencionalidad y la habilidad para articular esas intenciones.

5. Así pues, el conocimiento se encuentra anclado e indexado

en contextos relevantes

Las ideas que tenemos y las habilidades que hemos adquirido con-

sisten, en parte, en la situación o contexto en que fueron adquiridas

o aplicadas. Es decir, el contexto es parte del conocimiento que la

persona utiliza para explicar o dar sentido a una idea. Esto significa

que las normas abstractas y las leyes, si están aisladas de un contex-

to, no tienen significado alguno. Los constructivistas afirman que las

habilidades tienen más significado si se desarrollan en contextos sig-

nificativos. Si las ideas no pueden aplicarse, entonces no tienen sig-

nificado. Enseñar hechos y explicar conceptos sin enmarcarlos en

algún contexto les quita el significado.

6. Por consiguiente, el conocimiento no se puede transmitir

El objetivo explícito de la instrucción tradicional es la “transmisión del

conocimiento” más eficiente. Desgraciadamente, lo que podemos

“enseñar” no es siempre lo que los estudiantes aprenden. El conoci-

miento no puede transmitirse de profesores a estudiantes.

7. La construcción del conocimiento se estimula por una cuestión

de necesidad o deseo de saber

Aquello que produce el proceso de construcción del conocimiento

es una disonancia entre lo que se sabe y lo que se observa en el

entorno. La construcción real de significado (resolver la disonancia

entre lo que sabemos bien y lo que percibimos o creemos que las

otras personas saben) resulta de una perplejidad (Duffy y Cunning-

ham, 1996), una perturbación (Maturana, 1980), una violación de

expectativas (Schank, 1986) o una adaptación al entorno que su-

pone ciclos de asimilación y adaptación. Podemos memorizar ideas

que otros nos hayan dicho, pero llegar de forma activa a la cons-

trucción del significado de un fenómeno implica alguna motivación

para saber. Esta disonancia asegura cierta propiedad por parte del

estudiante.


10

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

8. El significado se negocia de forma social

De la misma forma que todos compartimos el mundo físico, también

compartimos parte del significado que le damos. Los seres humanos

son criaturas sociales que confían en las reacciones de otros humanos

para determinar su propia existencia y la veracidad de sus creencias

personales. Los constructivistas sociales han creído durante cincuenta

años que la elaboración del significado se produce en un proceso de

negociación entre los participantes de cualquier diálogo. Desde una

perspectiva constructivista, aprender es un diálogo, un proceso de ne-

gociación, tanto interno como social. Aprender es inherentemente un

proceso social-dialógico (Duffy y Cunningham, 1996).

9. El significado y el pensamiento se distribuyen entre la cultura

y la comunidad en las que vivimos y las herramientas que

utilizamos

Desde el momento en que entramos a formar parte de comunidades de

práctica, nuestros conocimientos y creencias sobre el mundo reciben la

influencia de esta comunidad y de sus creencias y valores. Cuando en-

tramos a formar parte de comunidades de discurso sobre la práctica,

también nuestros conocimientos y creencias reciben su influencia. Por

ejemplo, nuestro conocimiento del mundo recibe la influencia de las ac-

tividades que realizamos en el trabajo. Las creencias y el conocimiento

de nuestros compañeros influyen en nuestra forma de pensar. El apren-

dizaje puede ser entendido como los cambios que sufre nuestra relación

con la cultura o culturas con las que estamos conectados.

10. No todo el significado se crea de la misma forma

Los constructivistas no comparten la opinión deconstructivista, como

muchos creen, de que todos los significados son válidos. Debemos

examinar la viabilidad del significado de cualquier persona sobre la

base de las normas sociales e intelectuales de la comunidad.

Si aceptamos todas estas suposiciones, se produce un cambio en el

proceso de educar a los estudiantes. Basándonos en ellas, el apren-

Principios de un aprendizaje significativo

11


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

dizaje en los centros de formación debería poner énfasis en las si-

guientes cualidades:

• Activo

Los estudiantes se comprometen con el proceso de aprendizaje en un

procesamiento consciente de la información, de cuyo resultado son

responsables.

• Constructivo

Los estudiantes adaptan nuevas ideas a un conocimiento previo

(equilibración) para dar sentido o dar significado o reconciliar una

discrepancia o perplejidad.

• Colaborativo

Los estudiantes trabajan en comunidades de aprendizaje y construc-

ción del conocimiento, aprovechando las habilidades del resto y

aportando apoyo social, además de modelar y observar las contri-

buciones de cada uno de los miembros de la comunidad.

• Intencional

Los estudiantes intentan conseguir un objetivo cognitivo de forma ac-

tiva e intencional.

• Conversacional

Aprender es inherentemente un proceso social, dialógico (Duffy y

Cunningham, en prensa), en el cual los estudiantes son los que más

se benefician del hecho de pertenecer a comunidades en que se

construye el conocimiento, tanto dentro de clase como fuera.

• Contextualizado

Las actividades de aprendizaje están situadas en ciertas tareas signi-

ficativas del mundo real o simulado mediante un entorno de apren-

dizaje basado en algún caso o problema.


12

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

• Reflexivo

Los estudiantes articulan lo que han aprendido y reflexionan sobre

los procesos y decisiones implicadas.

13


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

El aprendizaje significativo debería ser la raison d’ètre de los proce-

sos formativos. Más que presentar un contenido curricular preorga-

nizado que los estudiantes deben memorizar, las instituciones

formativas deberían ayudar a los alumnos a darse cuenta de lo que

están aprendiendo y a usar su comprensión para resolver los proble-

mas de la vida cotidiana. El supuesto fundamental de este artículo es

que la tecnología, cuando se usa de manera productiva, puede pro-

mover un aprendizaje significativo entre los estudiantes. En la mayo-

ría de instituciones educativas hay un acceso limitado a la tecnología

(normalmente menos de 2 horas por semana), por este motivo, nues-

tra función como educadores debería ser decidir cómo usar la tecno-

logía para dar el máximo apoyo a un aprendizaje significativo

durante este tiempo limitado. ¿Cómo aprovechar al máximo este

tiempo? Es decir, ¿cómo usar la tecnología de la forma más concep-

tualmente atractiva posible?

Aquello que para nosotros es significativo depende de nuestras nece-

sidades e intenciones. Sin embargo, desde una perspectiva psicológica

del aprendizaje, las dos concepciones actuales que más se acercan a

la significación son los modelos mentales y el cambio conceptual.

1. La construcción de modelos para el cambio conceptual

aaaLa premisa de este módulo es que construir modelos que

se basen en la informática es la actividad tecnológica

más conceptualmente atractiva que existe, con la máxi-

ma contribución al cambio conceptual y al desarrollo de

modelos mentales. No sólo atrae a los estudiantes hacia

un cambio conceptual, sino que la construcción de mo-

delos no puede efectuarse sin un ordenador.

1.1. Resultados del aprendizaje significativo


14

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

1.1.1. Modelos mentales

¿Qué sucede cuando las personas aprenden de forma significativa?

¿Qué pruebas describen el aprendizaje significativo? El resultado del

aprendizaje significativo es un modelo mental de los fenómenos que

se han explorado y manipulado. Los niños empiezan construyendo

sus propios modelos mentales sencillos para explicar sus mundos, y

con la experiencia, el apoyo y más reflexión, sus modelos mentales

se van estructurando y ampliando cuando interactúan con el mundo

de una manera más compleja. Los modelos más complejos les per-

mitirán razonar de manera más consistente y productiva sobre los fe-

nómenos que observan. Los seres humanos son constructores

naturales de modelos.

Los modelos mentales individuales consisten en representaciones

múltiples, interdependientes e integradas de aquello que se ha

aprendido. Para representar un modelo mental individual, pueden

usarse distintas formas de pruebas, incluyendo el conocimiento es-

tructural, procedimental, reflexivo, espacial/imaginativo, metafórico,

ejecutivo, además de multitud de creencias sobre el mundo (Jonas-

sen y Henning, 1999).

Los modelos mentales grupales o colaborativos los construyen so-

cialmente grupos de individuos que se centran, colaborando unos

con otros, en una misma tarea significativa. Los modelos mentales

aaa¿Qué es un modelo mental? Se trata de una pregunta

difícil porque hay muy poca unanimidad respecto a su

respuesta. Existen muchas concepciones sobre los mo-

delos mentales, empezando por Johnson-Laird (1983)

y Gentner y Stevens (1983). ¿Los modelos mentales son

modelos semánticos, simulaciones, conocimientos pro-

cedimentales en forma de normas de inferencia, o qué

son exactamente? Los modelos mentales son todo eso,

es decir, son representaciones ricas, complejas, inter-

conectadas, interdependientes y multimodales de todo

aquello que una persona o un grupo de personas sa-

ben.

15


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

grupales o de equipo consisten en representaciones múltiples de

algún sistema o fenómeno. Para representar un modelo mental

grupal, se necesitan distintas formas de pruebas, como el conoci-

miento basado en las actividades, el conocimiento social o relacio-

nal, el conversacional o discursivo y los artefactos que el grupo usa

y produce.

Este módulo afirma que la actividad que favorece la construcción de

un modelo mental de forma más consistente y productiva es la cons-

trucción de modelos computacionales. Es decir, usar el ordenador

para construir modelos de lo que se ha estudiado proporciona una

representación física de los procesos mentales de la construcción de

modelos. Distintos investigadores han demostrado la relación entre

la construcción de modelos y los modelos mentales (Frederiksen y

White, 1998; Mellar, Bliss, Boohan, Ogborn, y Tompsett, 1994; Whi-

te, 1993). La forma más efectiva de impulsar la construcción de mo-

delos mentales es hacer que los estudiantes usen una variedad de

herramientas para construir modelos físicos, visuales, lógicos, o

computacionales de los fenómenos. En otras palabras, construir mo-

delos físicos y computacionales mediante tecnologías confiere a los

estudiantes la oportunidad de operacionalizar y externalizar sus mo-

delos mentales.

1.1.2. Cambio conceptual

Tal como se ha indicado en la sección anterior, un objetivo de casi

todos los aprendizajes científicos es la construcción de modelos men-

tales. Los seres humanos construyen de forma natural teorías simpli-

ficadas e intuitivas para explicar el mundo. Mediante la experiencia

y la reflexión, añaden complejidades conceptuales a medida que van

aprendiendo. Como aprendices, construyen sus modelos mentales,

expresan cierta fuerza, coherencia y compromiso con las concepcio-

nes existentes; interactúan con la nueva información hasta alcanzar

un nivel en el que la información sea comprensible, coherente, plau-

sible y retóricamente apremiante de acuerdo con sus modelos con-

ceptuales. El proceso cognitivo de construcción de estas teorías es el

cambio conceptual.

El cambio conceptual tiene lugar cuando los estudiantes cambian su

manera de entender los conceptos y marcos conceptuales. Según di-


16

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

ferentes investigadores, el proceso y ritmo del cambio conceptual es

variable; para algunos (Smith, di Sessa y Resnick, 1993; Siegler,

1996), el cambio conceptual es un proceso evolutivo de ampliación

y transformación gradual de los estados de conocimiento. Este mo-

delo de cambio conceptual es más piagetiano en aquellos puntos en

los que los estudiantes acomodan gradualmente el conocimiento

que ya poseen y lo convierten en mejores estructuras de conocimien-

to. El cambio conceptual puede ser el resultado de la instrucción o

del descubrimiento.

Familiarizarse con sistemas conceptuales después de haber oído ha-

blar de ellos consiste típicamente en la introducción de términos, la ex-

plicación de experimentos y la defensa de hipótesis (Thagard, 1992).

Esta forma evolutiva del cambio conceptual requiere poca reestruc-

turación de los sistemas conceptuales (Carey, 1985). El aprendizaje

reproductivo en las instituciones educativas requiere demasiadas ve-

ces la simple articulación de un marco conceptual ya existente, que

sólo implica cambios en las relaciones entre conceptos (Carey, 1988),

y no una reestructuración de los modelos conceptuales por parte de

los aprendices. Este tipo de enriquecimiento es la forma más débil de

cambio conceptual (Vosniadou, 1994). Los estudiantes más avan-

zados pueden llegar a desarrollar sus modelos conceptuales me-

diante el descubrimiento, en el momento en que alguien establece

un nuevo sistema conceptual y los estudiantes aducen sus propias

hipótesis explicativas. Este tipo de cambio conceptual, la revisión,

es necesario cuando la información que debe adquirirse no corres-

ponde a las creencias, presuposiciones, y modelos ingenuos del

mundo (Vosniadou, 1994).

Para otros investigadores (Chi, 1992; Thagard, 1992), el cambio

conceptual es un proceso revolucionario en el cual la manera como

se entienden los conceptos se sustituye por otra comprensión que se

espera que sea mejor. El cambio es una reorganización radical o

marcada de las estructuras del conocimiento (Dole y Sinatra, 1998).

Es necesaria una reestructuración radical cuando los estudiantes

chocan con importantes anomalías que no pueden acomodar en sus

actuales teorías, así que es pertinente un nuevo paradigma. La sus-

titución de modelos conceptuales por otros nuevos no puede llevarse

a cabo simplemente rehusando conceptos concretos o proposiciones

en el sistema conceptual, sino que debe desafiarse toda la estructura

y sustituirla (Thagard, 1992). El cambio conceptual radical requiere

17


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

que los estudiantes cambien conceptos y proposiciones a través de

categorías ontológicas, es decir, que cambien marcos para acomo-

dar ideas.

El cambio conceptual más significativo sólo sucede si es intencional

(Dole y Sinatra, 1998). Es decir, en el momento en que el aprendiz

es consciente de que su comprensión es inadecuada y percibe la ne-

cesidad de cambio, es probable que el cambio sea significativo (Lu-

que, 2003). El problema es que los aprendices con un bajo nivel de

conocimiento dominante tienen dificultades para percatarse de con-

tradicciones entre sus propias concepciones y las que son científica-

mente aceptables. Además de ser conscientes de sus anomalías de

pensamiento, los aprendices también han de querer cambiarlas (Lu-

que, 2003). Las teorías que sustituirán a las actuales deben ser inte-

ligibles, plausibles y productivas (Strike y Posner, 1985), es decir,

atractivas cognitivamente.

¿Qué hace que el cambio conceptual sea intencional? El cambio con-

ceptual es una función del nivel de compromiso conceptual (Dole y Si-

natra, 1998). Los aprendices manifiestan de forma natural una cierta

fuerza, coherencia, y compromiso con las concepciones que poseen; es

más fácil que cambiar. Tienden a interactuar con la información que es

comprensible, coherente, plausible a la luz de las teorías existentes. El

nivel de interacción de los estudiantes con la nueva información depen-

de de un continuo, desde un compromiso cognitivo bajo hasta un alto

compromiso metacognitivo. Cuando los estudiantes no se comprome-

ten cognitivamente, procesan información de forma superficial. No obs-

tante, los estudiantes a menudo encuentran información que no

corresponde a sus propias teorías. Pueden ignorar esta información (co-

sa que hacen a menudo), o pueden intentar reconciliarla con lo que ya

saben. Esta reconciliación implica muchas veces que reestructuren lo

que saben (por ejemplo, mediante un cambio conceptual). El cambio

conceptual requiere un alto compromiso cognitivo. Para reestructurar lo

que saben, los estudiantes deben regularse a sí mismos, esforzándose

en analizar y sintetizar la nueva información.

Según Dole y Sinatra (1998), en el nivel más alto de compromiso los

estudiantes piensan detenidamente sobre argumentos y contraargu-

mentos relacionados con el mensaje, con lo que se consigue una alta

probabilidad de que se efectúe un cambio conceptual.


18

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Los profesores de matemáticas y ciencias (Confrey y Doerr, 1994;

Frederiksen y White, 1998; Hestenes, 1986; Lehrer y Schauble,

2000; White, 1993) han reconocido durante mucho tiempo la im-

portancia de construir modelos a la hora de entender los fenómenos

matemáticos y científicos. Yo creo que se trata de una habilidad

esencial en todas las disciplinas, es decir, es una habilidad cognitiva

esencial para la construcción de significado en todos los campos.

También creo que además de construir modelos del conocimiento

dominante (el principal objetivo de los trabajos educativos de mate-

máticas y ciencias hasta la actualidad), los estudiantes también pue-

den beneficiarse de la construcción de modelos de problemas

(construir espacios del problema), sistemas, estructuras semánticas y

procesos de pensamiento (como las simulaciones cognitivas). Ade-

más de distinguir entre lo que se modela, también distingo diferentes

tipos de sistemas de construcción de modelos y sus habilitaciones

para apoyar la construcción de modelos mentales. ¿Por qué es tan

importante la construcción de modelos?

La construcción de modelos es importante porque se trata de uno de

los procesos cognitivos que conlleva mayor relación conceptual. Resol-

ver problemas de diseño puede ser potencialmente más atractivo,

pero las tecnologías actuales alcanzan mejor los procesos de creación

Reflexión

Una de las preguntas importantes a la que responde

este módulo es cómo podemos nosotros, los educado-

res, impulsar un alto compromiso cognitivo de los estu-

diantes que ven la necesidad de cambiar sus modelos

conceptuales del mundo. También se describe cómo

los estudiantes pueden usar el ordenador para cons-

truir sus propios modelos del mundo; mediante la

construcción de estos modelos, se comprometen de

forma necesariamente cognitiva. Cuando prueban y

revisan estos modelos para reconciliarlos con sus expe-

riencias, los estudiantes efectúan necesariamente un

cambio conceptual radical o revolucionario.

1.2. Construcción de modelos mentales

19


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

de modelos que los de diseño. Construir modelos también es impor-

tante porque los modelos conceptuales construidos por la mayoría de

las personas suelen ser ingenuos, poco informados e inconsistentes

con las teorías establecidas. Aunque el desarrollo y cambio de las teo-

rías personales puede ser un proceso humano natural, las personas no

tienen una gran habilidad para ello. Las teorías personales y los mo-

delos conceptuales están llenos de malentendidos y conceptos inade-

cuados. Los aprendices deberían recibir ayuda a la hora de construir

modelos más completos y viables de los fenómenos que estudian.

El primer objetivo de este proceso es definir la relación entre variables.

Algunos investigadores creen que los modelos cualitativos son tan im-

portantes como los cuantitativos. La representación cualitativa es un

enlace perdido en la solución de problemas en el caso de aprendices

noveles (Chi, Feltovich, Glaser, 1981; Larkin, 1983). Cuando los estu-

diantes intentan comprender un problema de una única manera, es-

pecialmente cuando de esta manera no se llega a una información

conceptual del problema, entonces no entienden los sistemas más im-

aaa¿Qué es construir modelos? Los conceptos cambian se-

gún las herramientas y los cambios que se estudien. La

mayoría de matemáticos y científicos creen tácitamente

que construir modelos es un proceso matemático, que

las representaciones cuantitativas son de lo más explí-

citas e informativas.

Ejemplo

Hestenes (1987) propuso un proceso de construcción de

modelos para el aprendizaje de la física que incluía cua-

tro estadios: describir las variables básicas y derivadas

de alguna forma en diagrama; formular las relaciones

basadas en las leyes de la física escribiendo ecuaciones;

dibujando ramificaciones de un modelo y validando de

forma empírica el modelo ramificado. Para Hestenes,

“el modelo es el mensaje” (p. 446), es decir, “a construc-

ción de modelos matemáticos debería ser el tema cen-

tral de la enseñanza de la física” (p. 453).


20

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

portantes que en él tienen lugar. Es necesario, por consiguiente, ayu-

darles a construir una representación, tanto cualitativa como

cuantitativa, del problema. Las representaciones cualitativas de los

problemas obligan y facilitan a la vez la construcción de representa-

ciones cuantitativas (Ploetzner y Spada, 1998).

1.2.1. Construcción de modelos frente a consumo

La distinción más importante que debe hacerse es cómo se utilizan los

modelos. Los modelos son bastante habituales en la enseñanza de las

matemáticas y las ciencias, y se presentan también en otras disciplinas.

La mayoría de libros de ciencias presentan un modelo de ciertos fenó-

menos para facilitar la comprensión de los estudiantes y siguen este

modelo con problemas bien estructurados relacionados con aquellos

modelos que los aprendices deben solucionar.

Normalmente, los modelos se usan como motor intelectual en soft-

ware. Los sistemas tutoriales más inteligentes disponen de modelos

de aprendizaje, modelos expertos o de dominio y modelos tutoriales.

El razonamiento basado en los modelos se centra en un modelo ex-

plícito de los sistemas físicos que se están aprendiendo (de Koning y

Bredweg, 2001).

En este trabajo, cuando hablamos de construcción de modelos nos re-

ferimos a la construcción, manipulación o comprobación de modelos

que efectúa el estudiante. Algunas de las herramientas aquí descritas

facilitan un modelo que los estudiantes pueden manipular y compro-

bar, pero en otros casos se requiere que el estudiante construya y com-

Ejemplo

Los micromundos, como Geometric Supposer y SimCalc,

entre otros, son ejemplos de entornos basados en mode-

los. En los micromundos, el modelo se encuentra implícito

en las opciones de exploración que facilita el software,

pero el modelo no se manifiesta de forma explícita. Y lo

que es más importante, el modelo es inmutable. Los estu-

diantes no sólo no pueden acceder a él, sino que no pue-

den cambiarlo a no ser que manipulen un conjunto de

variables preseleccionadas dentro del modelo.

21


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

pruebe los modelos. La forma más eficaz de estimular y valorar el

cambio conceptual radical es construir y comparar modelos que repre-

senten sistemas conceptuales desproporcionados. Cuando los estu-

diantes descubren anomalías o errores conceptuales en las estructuras

mediante los experimentos de construcción de modelos que represen-

tan sistemas desproporcionados, caben más posibilidades de que re-

visen y reestructuren sus propias estructuras conceptuales. En esta

propuesta, se pide a los estudiantes que reestructuren sus modelos

conceptuales de la biología de plantas de tierra con los modelos con-

ceptuales basados en el crecimiento de espacio limitado. Así, el obje-

tivo es que modelemos nuestra idea de que usar herramientas

informáticas para construir modelos computacionales de los fenóme-

nos científicos es el medio más efectivo para estimular y ayudar a los

estudiantes a efectuar un cambio conceptual rápido.

El cambio conceptual radical muy pocas veces es consecuencia de la

instrucción. ¿Por qué debería serlo, pues, de la construcción de mo-

delos? El cambio conceptual radical procede de las perturbaciones

creadas en los propios conceptos y que ponen en duda la compren-

sión (Ferrary y Elik, 2003). Para resolverlas, los estudiantes deben

usar la experiencia u otros procesos altamente atractivos como la

construcción de modelos y así comparar los conceptos opuestos.

(Dole y Sinatra, 1998)

Si es verdad que construir modelos puede ayudar a crear modelos

mentales, entonces los estudiantes deberían aprender a construir

modelos a partir de un conjunto de fenómenos. En este apartado

describiremos brevemente la gama de fenómenos que pueden mo-

delarse mediante distintas herramientas, más adelante describire-

mos brevemente la naturaleza de algunas de estas herramientas.

La mayoría de estos modelos son lo que Lehrer y Schuble (2000) de-

nominan modelos sintácticos. Se trata de modelos formales que im-

ponen una sintaxis distinta al estudiante. Esta sintaxis lleva a una

correspondencia relacional entre el modelo y los fenómenos que re-

presenta. El objetivo de los modelos sintácticos es resumir la función

esencial del sistema que debe representarse.

1.3. ¿Qué modelamos?


22

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

1.3.1. Construcción de modelos de los conocimientos dominantes

El objetivo principal del uso de los modelos en la enseñanza de las

matemáticas y la ciencia ha ido encaminado a construir modelos de

ideas dentro de los campos de la matemática y la ciencia. En la edu-

cación secundaria y el bachillerato los estudiantes utilizan herra-

mientas informáticas para construir modelos, como los

micromundos, herramientas para construir modelos de sistemas u

otras herramientas cualitativas, con el fin de construir su modelo de

sistemas científicos.

Ejemplo

Por ejemplo, la figura 1 ilustra el uso del micromundo,

ThinkerTools, para construir modelos y experimentar

con principios relacionados con las trayectorias dentro

del campo de la física. El usuario ejerce un impulso so-

bre el punto antes de lanzarlo. Puede explorarse la re-

lación entre los impulsos o las fuerzas del vector en la

trayectoria de los puntos. En la figura 1 puede verse

que se han aplicado las fuerzas correctas de vectores.

Figura 1. Construir modelos de principios de trayectorias en el campo de la física, mediante ThinkerTools.

23


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Los estudiantes pueden utilizar una amplia gama de herramientas

para construir modelos.

Sin embargo, en ambos ejemplos se encuentran implícitos modelos

subyacentes. Los principios se ejemplifican en las representaciones,

pero los modelos se encuentran implícitos. Es decir, la relación entre

las variables no se expresa de forma explícita.

1.3.2. Construir modelos problema

Otro tema importante y poco estudiado es el uso de las herramientas

de modelado para desarrollar modelos explícitos de problemas que

los estudiantes intentan resolver. En estas aplicaciones, los estudian-

Ejemplo

La figura 2 muestra principios geométricos modelados

con Cabri, una herramienta de visualización geométri-

ca de Texas Instruments. En cada uno de estos mode-

los, los estudiantes representan principios dominantes

que están estudiando. Las herramientas para construir

modelos les permiten comprobar sus modelos menta-

les de los fenómenos que están estudiando.

Figura 2. Modelo geométrico de Cabri


24

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

tes representan el espacio del problema (Jonassen, 2003). En gene-

ral, se acepta que a la hora de resolver problemas, las personas no

necesitan construir ningún tipo de representación interna (modelo

mental) de un problema (espacio del problema) para resolverlo. Es-

tas representaciones personales del problema tienen las siguientes

funciones (Savelsbergh, de Jong, y Ferguson-Hessler, 1998):

• Dirigir una interpretación posterior de la información sobre el

problema.

• Simular el comportamiento del sistema basado en el conocimien-

to sobre las propiedades del sistema.

• Asociar e impulsar un esquema concreto de solución (procedi-

miento).

Los espacios de un problema se construyen mentalmente seleccio-

nando y mapeando relaciones específicas del problema (McGuin-

ness, 1986). El supuesto fundamental de este artículo es que el hecho

de usar las herramientas de modelado para crear modelos físicos, vi-

suales o computacionales externaliza los modelos mentales de los

estudiantes. En relación con la solución de problemas, la construc-

ción de modelos visuales y computacionales de los problemas exter-

naliza los espacios de los problemas internos de los estudiantes. La

construcción de modelos de espacios de problema es importante

para toda clase de problemas. A medida que aumenta la compleji-

dad del problema, resulta más importante producir representaciones

eficaces; y la eficacia de las representaciones depende de la organi-

zación, la integración o la coherencia (McGuinness, 1986).

Aunque hay muchas herramientas informáticas de modelado que

ayudan a la construcción de modelos cuantitativos de problemas, la

construcción de modelos cualitativos de problemas es de igual o ma-

yor importancia. Las representaciones cualitativas asumen muchas

formas y organizaciones distintas; pueden ser espaciales o verbales

y pueden organizarse de distintas formas. Son más físicas que numé-

ricas: las representaciones físicas de los problemas consisten en en-

tidades que se fijan en campos concretos (por ejemplo, la física), y

las normas de inferencia que las conectan y les dan un significado

son cualitativas (Larkin, 1983).

25


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Las representaciones cualitativas tienen la función de:

• Explicar información que sólo aparece implícitamente en las

descripciones de los problemas pero que es importante para su

solución.

• Aportar precondiciones sobre las que se pueda aplicar el conoci-

miento cuantitativo.

• El razonamiento cualitativo ayuda a la construcción del conoci-

miento cuantitativo no disponible en un principio y establece un

conjunto de restricciones que aportan directrices para un razona-

miento cuantitativo (Ploetzner y Spada, 1993).

Figura 3. Extracto de una base de reglas de un sistema experto de estequiometría


26

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

De hecho, Ploetzner, Fehse, Kneser y Spada (1999) demostraron que

a la hora de resolver problemas de física, las representaciones cua-

litativas de los problemas son requisitos necesarios para aprender re-

presentaciones cuantitativas. Cuando los estudiantes intentan

entender un problema sólo de una manera, no entienden los siste-

mas subyacentes que están trabajando.

Las representaciones cualitativas ayudan a la solución de problemas

cuantitativos. Las mejores soluciones de problemas pueden surgir in-

tegrando modelos cualitativos y cuantitativos. Esta integración aún

Figura 4. Sistemas de modelos dinámicos de problemas de estequiometría según Stella

La figura 3 muestra un modelo cualitativo de un simple

problema de química de conversión molar, mediante

un sistema experto. Es decir, los estudiantes construye-

ron un sistema de reglas de producción que describe la

lógica necesaria para resolver el problema.

27


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

puede verse más respaldada en las herramientas para construir mo-

delos de sistemas, como el de Stella, que aportan representaciones

cuantitativas de las relaciones entre aquellos componentes de pro-

blemas que se expresan de forma cualitativa.

1.3.3. Construir modelos de sistemas

Los contenidos de los problemas también pueden concebirse como

sistemas. Cuando se estudia el contenido como si fueran sistemas,

más que centrarse en hechos concretos o características de los fenó-

menos, los aprendices desarrollan una perspectiva del mundo mu-

cho más integrada. Hay distintas concepciones sistémicas del mundo

que están relacionadas, incluyendo pensamientos de sistemas abier-

tos, pensamientos de sistemas humanos o sociales y procesos de sis-

temas, pensamientos de sistemas de reacción, dinámica de sistemas,

sistemas de control o cibernética, la teoría de la actividad y los siste-

mas de vida más comunes.

La figura 4 muestra un modelo Stella de un problema

de estequiometría, y aporta tanto las representaciones

cuantitativas, como las cualitativas del problema.

Figura 5. Construcción de modelos del sistema circulatorio con Model-It.


28

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Todas estas concepciones comparten atributos similares, como por

ejemplo un todo irreducible, un modelo de organización autoproductor,

las partes interdependientes, el hecho de que funcionen accionados por

el objetivo, el control de reacción, el automantenimiento y la autorregu-

lación. El hecho de requerir a los estudiantes que organicen su objeto de

estudio en sistemas relevantes que interactúen unos con otros les aporta

una perspectiva del mundo mucho más holística e integrada.

Figura 6. Construcción de modelo del efecto de un huracán en Bryzoan con EcoBeaker.

29


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Los estudiantes deben construir los modelos antes de comprobarlos.

Existe otra clase de herramienta que permite que el estudiante cons-

truya inductivamente modelos de sistemas. Los micromundos como

StarLogo, AgentSheets y Eco-Beaker permiten construir reglas sobre

la naturaleza del comportamiento en sistemas y comprobar su efecto

de forma inmediata.

Estas herramientas, más que simples sistemas, representan una pers-

pectiva del mundo teóricamente compleja; es decir, exploran la na-

turaleza autoorganizadora de los fenómenos del mundo.

Ejemplo

Existe una variedad de herramientas informáticas que

apoyan el pensamiento de sistemas. Basados en diná-

mica de sistemas, herramientas como Stella, PowerSim

y VenSim proporcionan herramientas sofisticadas para

construir modelos de sistemas. Estas herramientas per-

miten a los estudiantes construir modelos de sistemas

de fenómenos, mediante el razonamiento hipotético-

deductivo.

La figura 5 muestra una perspectiva sistémica del sis-

tema circulatorio, construida con Model-It, una he-

rramienta simplificada para construir modelos de

sistemas que ha desarrollado el grupo HI-CE en la

Universidad de Michigan para estudiantes de secun-

daria. Esta herramienta identifica relaciones entre

variables. En vez de introducir fórmulas para descri-

bir relaciones, los estudiantes deben identificar la di-

rección de la relación y el efecto potencial que tiene

una variable sobre otra.

La figura 6 construye un modelo de crecimiento de or-

ganismos diminutos dentro de un entorno, perturba

este entorno y vuelve a comprobar las pautas de creci-

miento. En este caso, el modelo muestra los efectos de

un huracán en el crecimiento de Bryzoa.


30

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

1.3.4. Construir modelos de experiencias (historias)

Las historias pueden funcionar como sustituto de la experiencia di-

recta. Si asumimos que aprendemos de las experiencias, deberíamos

ser capaces de aprender de las historias que cuentan experiencias. Al-

gunas personas creen que escuchar historias es equivalente a experi-

mentar los fenómenos uno mismo (Ferguson, Bareiss, Birnbaum, y

Osgood, 1991). En otras palabras, las estructuras de la memoria

utilizadas para entender la historia son las mismas que las que se

usan a la hora de llevar a cabo una tarea. Teniendo en cuenta la

falta de experiencias por parte de los principiantes, las experien-

cias de historias o casos que pueden obtener en una biblioteca

aumentan su repertorio de experiencias. El razonamiento a partir

de historias o casos ayuda a resolver problemas.

¿Por qué las historias son importantes para la comprensión? Porque

todo lo que sabemos lo recordamos en forma de historias. Las historias

son formalismos ricos y poderosos para narrar y describir recuerdos.

Así pues, una forma de entender lo que las personas saben es analizar

sus historias. El medio que nos permite analizarlas se llama razona-

miento basado en casos (RBC), –en inglés Cased-Based Learning.

Por consiguiente, los estudiantes pueden impulsar el cambio concep-

tual construyendo modelos de las experiencias de otras personas, es

decir, recogiendo historias sobre las experiencias de otros.

aaaEl RBC es un método de inteligencia artificial para re-

presentar los conocimientos de las personas. El RBC

sostiene que los conocimientos se almacenan en la me-

moria en forma de historias (Schank, 1990). Cuando

se encuentran con una situación nueva, las personas la

analizan e intentan recuperar una situación que ya ha-

yan experimentado y que se parezca a la situación ac-

tual. Aparte de la información sobre la situación,

también recuperamos lo que aprendimos de aquella si-

tuación. Los problemas nuevos se resuelven encontran-

do casos similares del pasado y aplicando las lecciones

de aquella experiencia en este nuevo caso.

31


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Cuando los estudiantes analizan historias para entender estos

problemas, entienden mejor la complejidad fundamental del

campo de contenido. Recoger e indexar las historias es construir

modelos de las experiencias de las personas; como estas expe-

riencias son diferentes, representan perspectivas y creencias múl-

tiples. Encontrar esta diversidad de creencias es la mejor manera

de percibir que hay que cambiar los modelos conceptuales de

cada persona sobre el mundo.

La base de datos de la figura 7 cuenta una de las mu-

chas historias que se han recogido sobre el conflicto en

Irlanda del Norte. La base contiene muchas historias

que se han indexado por cuestión, tema, contexto, ob-

jetivo, razonamiento, religión, etc. Contiene muchas

cuestiones, temas y contextos. En este ejemplo, los es-

tudiantes aprenden sobre el horror de los conflictos re-

ligiosos examinando la experiencia de otros. Las bases

de datos facilitan este proceso de aprendizaje, permi-

tiendo que los profesores busquen en cualquier ámbito

para colocar casos o resultados semejantes.

Figura 7. Entrada en una base de datos sobre historias de Irlanda del Norte.


32

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Si se quieren usar bases de datos para capturar historias, se deben

identificar casos o historias. Los casos indican situaciones, sucesos,

experiencias, problemas, etc. Cuando hablamos de situaciones, nos

referimos a una descripción de las situaciones (contexto, objetivo,

etc.), las soluciones que se escogieron y lo que se aprendió al utili-

zarlas (Kologner, 1993). La situación del problema se define a partir

de los objetivos que quieren conseguirse resolviendo el problema, las

restricciones para llegar a los objetivos y cualquier característica del

problema. Cuando se recogen historias de revistas, informes de no-

ticias, entrevistas personales o cualquier otro medio y se analizan,

deben indexarse identificando cierta combinación de objetivos, res-

tricciones, descripciones situacionales, temas, soluciones, resultados

y lecciones en una base de datos. Aprender, según la perspectiva del

RBC, es un proceso de indexar y rellenar lecciones basadas en expe-

riencias y reutilizarlas en situaciones futuras semejantes.

1.3.5. Construir modelos de pensamiento (simulaciones cognitivas)

Existe otra clase de construcción de modelos que permite el desarro-

llo de procesos de pensamiento. Más que construir modelos de con-

tenidos o sistemas, los aprendices construyen modelos del tipo de

pensamiento que necesitan para actuar a la hora de resolver un pro-

blema, tomar una decisión o terminar cualquier otra actividad. Es

decir, los estudiantes pueden utilizar herramientas informáticas para

construir simulaciones cognitivas

Tienen como objetivo construir modelos de estructuras mentales y

procesos cognitivos humanos.

aaa[...] las simulaciones cognitivas son programas informá-

ticos que representan modelos de actividades cognitivas

humanas.” (Roth, Woods, y People, 1992, p. 1163)

aaa“El programa informático contiene representaciones

explícitas de procesos mentales y estructuras de cono-

cimiento ya propuestos.” (Kieras, 1990, pp. 51-52)

33


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

El objetivo primordial de las simulaciones cognitivas es intentar

externalizar procesos mentales para la construcción de análisis y

teorías. Las usan sobre todo los ingenieros para construir sistemas

tutoriales elaborados, pero hemos descubierto que también los

jóvenes estudiantes pueden reflexionar sobre su pensamiento

para construir este tipo de simulaciones. Jonassen (en prensa)

describe el proceso de construcción de una simulación cognitiva

de un razonamiento metacognitivo mediante la protección de sis-

tema experto.

La figura 8 muestra actores seleccionados a partir de

esta base de conocimiento. Se pidió a los estudiantes

que meditaran sobre cómo usaban ellos el control eje-

cutivo y las actividades de control de comprensión a la

hora de estudiar. Lippert (1988) afirmaba que hacer

que los estudiantes construyan pequeñas bases de co-

nocimiento es un método útil para enseñar a resolver

problemas y a estructurar el conocimiento para estu-

diantes desde sexto grado hasta la edad adulta.

Figura 8. Factores metacognitivos en la simulación cognitiva


34

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

El aprendizaje resulta más significativo porque los estudiantes no

sólo valoran sus propios procesos de pensamiento, sino también el

producto de estos procesos.

También hemos experimentado con herramientas de dinámicas de

sistemas para la construcción de simulaciones cognitivas.

La figura 9 ilustra un modelo de memoria de Stella;

Stella es una herramienta de dinámicas de sistemas

para representar las relaciones dinámicas entre fenó-

menos de sistemas. Tanto los sistemas expertos como

las dinámicas de sistemas permiten a los estudiantes la

construcción y comprobación de las suposiciones y fun-

cionamiento de sus modelos.

Figura 9. Modelo de memoria Stella.

35


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Como hemos visto en el apartado anterior, cuando se describían los

aspectos de sistemas que pueden modelarse, hay muchas clases de

herramientas disponibles para construir modelos de una amplia

gama de fenómenos. Éstas varían en características, funcionalidad y

habilitaciones. Cada una de ellas usa una estructura y una sintaxis

distintas para construir modelos de fenómenos. Pueden sustituirse

unas por otras, pero no siempre con consecuencias positivas. Cada

tipo de herramienta implica combinaciones distintas de pensamiento

crítico, creativo y complejo (Jonassen, 2000).

Una de las diferencias más importantes dentro de estas herramientas

es la claridad del modelo subyacente. Algunas herramientas son sis-

temas de caja negra, en los que el estudiante puede introducir infor-

mación y manipular las características de los sistemas, comprobando

los efectos de las manipulaciones teóricas. La mayoría de simulacio-

nes y micromundos son de este tipo. Se trata de entornos explorato-

rios que abastecen a los aprendices con la oportunidad de

comprobar los efectos causales de las manipulaciones, pero el mo-

delo básico que define los parámetros del sistema está escondido.

Otras herramientas, como las de construcción de modelos de siste-

mas, son sistemas de caja de cristal, en los que el estudiante no sólo

investiga el modelo subyacente, sino que puede cambiarlo. De he-

cho, los sistemas de este tipo necesitan que el estudiante construya el

modelo de forma explícita antes de comprobarlo. Creo que este úl-

timo tipo de herramientas de construcción es mejor para representar

modelos mentales y hacer entrar a los estudiantes en un nivel de

transformación más profundo.

Describiré brevemente distintas clases de herramientas para la cons-

trucción de modelos.

1.4.1. Construcción de simulaciones deductivas

Hay un tipo de herramientas que construyen modelos de sistemas,

incluyendo Stella, PowerSim, VenSim y Model-It, que permiten que el

estudiante construya y compruebe modelos de sistemas cerrados

1.4. Tipos de sistemas de aprendizaje basados en modelos


36

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

controlados por reacción. Basándose en dinámicas de sistemas, los

estudiantes construyen representaciones conceptuales utilizando un

simple conjunto de iconos de bloque para construir un mapa de un

proceso: valores, flujos, conversores y conectores (véase la figura 9).

Los valores ilustran el nivel de alguna variable en la simulación.

Estos modelos son dinámicos, es decir, se caracterizan por la acción

o el cambio en los estados. Así, un modelo de simulación dinámica

es aquel que representa conceptualmente la naturaleza cambiante

de fenómenos de sistemas de una forma similar al fenómeno real.

Estas simulaciones son representaciones sintácticas de la realidad. Lo

que distingue estos modelos del siguiente tipo es que el modelo se

concibe y se implementa antes de ser comprobado; se trata de un

modelo hipotético-deductivo.

En la figura 9, la información en la memoria a largo

plazo y la información en la memoria a corto plazo son

valores. Los flujos controlan el flujo entrante y saliente

de material en los valores. Almacenando y olvidando

son flujos. Los flujos a menudo se compensan unos a

otros, como las influencias positivas y negativas en los

giros normales. Por ejemplo, olvidando es una influen-

cia controladora negativa de la información en la me-

moria a largo plazo. Los conversores convierten las

entradas en salidas. Son factores o razones que influ-

yen en los flujos. Olvido es un conversor. Los converso-

res se usan para añadir complejidad a los modelos y

así representar mejor la complejidad del mundo real.

Finalmente, los conectores son las líneas que muestran

mediante flechas el efecto direccional que tiene cada

factor sobre otro.

Este tipo de modelos también puede construirse utilizan-

do una hoja de cálculo. El modelo de la figura 10, por

ejemplo, ha sido construido por estudiantes que querían

comprobar los efectos de una serie de resistores. Se ex-

plica en las fórmulas introducidas en cada celda.

37


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Si lo hubiera construido el profesor para que los estudiantes manipu-

laran y comprobaran los efectos, funcionaría más como un micro-

mundo, en el cual los estudiantes exploran simulaciones de caja

negra.

1.4.2. Construcción de modelos inductivos de simulación

Existe otra clase de herramientas de construcción de modelos que utiliza

una aproximación más inductiva para la construcción de simulaciones.

Herramientas como Agent Sheets, Star Logo y GenScope permiten cons-

truir modelos más abiertos de sistemas de fenómenos. Más que identi-

ficar todos los componentes del modelo antes de construirlo, los

aprendices, utilizando estos entornos, identifican los componentes del

modelo y los añaden a medida que van avanzando. Cada vez que se

añada un elemento, se puede comprobar el modelo para observar el

efecto del nuevo elemento en el funcionamiento del sistema.

1.4.3. Exploración de modelos de caja negra o simulaciones

La mayoría de simulaciones construidas para que los estudiantes

exploren y experimenten no explican el modelo implícito, sino que

Figura 10. Modelo de series de resistor, construido en una hoja de cálculo.


38

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

permiten la manipulación de variables y la comprobación de los

resultados de estas manipulaciones; entonces, los estudiantes pue-

den generar hipótesis sobre las relaciones entre las variables y

examinarlas.

1.4.4. Modelos causales cualitativos

Los sistemas expertos son programas de inteligencia artificial diseñados

como expertos simulados para facilitar la toma de decisiones en todo

tipo de problemas. Un sistema experto es un programa informático que

pretende simular la manera como los expertos humanos resuelven un

problema: una toma de decisiones artificial. Se construyen con hechos

y con una serie de reglas SI-ENTONCES, y el que los construye debe

identificar todas las decisiones y resultados posibles, todos los factores

que pueden influir en cada decisión, y construir entonces las reglas que

conecten todas las condiciones de sistema posibles con las conclusiones

o resultados posibles. Construir sistemas expertos es un proceso de

construcción de modelos del conocimiento que permite a expertos e in-

genieros construir modelos conceptuales (Adams-Webber, 1995). Aun-

que hay muchas herramientas que construyen modelos de sistemas y

otro tipo de herramientas que se basan en representaciones cuantitati-

vas de relaciones entre factores, los sistemas expertos se basan en des-

cripciones cualitativas de relaciones causales.

1.4.5. Herramientas de construcción de modelos semánticos

Las herramientas para la representación de relaciones semánticas

dentro de un campo de conceptos, como las herramientas de redes

semánticas, el mapeo de conceptos y las bases de datos, permiten la

Ejemplo

Los micromundos, como ThinkerTools (Figura 1; White,

1993), Boxer (di Sessa, 1986), Geometric Supposer

(Schwartz y Yerulshalmy, 1987) y otros, requieren que

los estudiantes construyan como mínimo un modelo

implícito del sistema con el fin de generar hipótesis y

examinarlas.

39


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

representación de asociaciones semánticas entre conceptos domi-

nantes. Sin embargo, estas herramientas no pueden construir mode-

los de relaciones causales dinámicas, sino sólo de la información

asociacional sobre un campo de conceptos relacionados. Facilitan

representaciones matrices y espaciales de los conceptos y sus interre-

laciones, intentando que representen las estructuras de conocimiento

que los seres humanos almacenan en la mente (Jonassen, Beissner,

y Yacci, 1993).

¿Por qué crear redes semánticas? El aprendizaje significativo exige

que los estudiantes conecten nuevas ideas al conocimiento que ya

han construido. Los mapas conceptuales y las bases de datos ayudan

a organizar sus conocimientos mediante la integración de la infor-

mación en un marco conceptual cada vez más complejo.

1.4.6. Advertencias críticas sobre las herramientas de construcción de modelos

Ya hemos afirmado anteriormente que el residuo cognitivo del

aprendizaje significativo es un modelo de lo que se está apren-

diendo de forma significativa. Además, también he afirmado que

construir modelos ayuda a la creación de modelos mentales. Si es

así, entonces debemos preguntarnos si los modelos que constru-

yen los estudiantes demuestran que, dentro del modelo o en su

proceso de construcción, existen conocimientos estructurales, pro-

cedimentales, reflexivos, imaginarios, metafóricos o ejecutivos y

creencias sobre estos conocimientos. Muchas veces no poseen esta

clase de conocimiento porque las herramientas usadas por los es-

tudiantes se basan en un tipo determinado de representación. Si

los modelos mentales no se desarrollan suficientemente como re-

sultado de la construcción de modelos, puede que sea necesario

usar más de un tipo de herramienta para representar los fenóme-

nos. Es decir, la construcción de modelos mentales probablemente

se impulsará si los estudiantes utilizan más de una herramienta

para construir modelos de un campo, un problema, un sistema,

una estructura semántica o un proceso de pensamiento. Será ne-

cesaria más investigación para determinar el número de herra-

mientas y el tipo de combinaciones que harán más fácil la

construcción de modelos mentales.


40

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Además de impulsar un cambio conceptual radical en los estu-

diantes mediante los experimentos, esta propuesta también quiere

validar métodos para valorar el cambio conceptual. Aunque exis-

ten muchos informes teóricos sobre el cambio conceptual (Limon

y Mason, 2002; Schnotz, Vosniadou, y Carreter, 1999; Sinatra y

Pintrich, 2003), hay muy pocos trabajos que estudien cómo valo-

rar de manera efectiva el cambio conceptual. Los métodos domi-

nantes utilizados incluyen el análisis de los protocolos de

interacción de los estudiantes a la hora de resolver o explicar un

problema (Hogan y Fisherkeller, 2000), en entrevistas estructura-

das (Southerland, Smith, y Cummins, 2000) y en el uso de mapas

conceptuales (Edmundson, 2000). El análisis de los protocolos de

entrevistas y conversaciones es muy difícil y largo. Por este motivo,

proponemos evaluar la validez actual del mapeo de conceptos y

la modelación de sistemas o la valoración del cambio conceptual.

Se podrá conseguir comparando estos dos métodos de construc-

ción de modelos con los protocolos de conversación y entrevista.

Estas herramientas presuponen que el cambio conceptual puede

valorarse comparando las estructuras cognitivas de los estudian-

tes (Vosniadou, 1992). El uso de mapas conceptuales presupone

que los cambios en la estructura cognitiva pueden valorarse me-

diante mapas conceptuales u otras técnicas estructurales del co-

nocimiento (Jonassen, Beissner, y Yacci, 1993) y que los cambios

en la estructura cognitiva son valoraciones válidas del cambio

conceptual. Los mapas conceptuales han demostrado ser valora-

ciones válidas de las estructuras cognitivas (Jonassen, 1987). Los

protocolos se analizarán mediante análisis de conversaciones

(Chi, 1997).

Los modelos se valorarán utilizando la coherencia explicativa

(Thagard, 1992) y valoraciones de fijación y calidad (Fisher,

2000). También examinaremos las relaciones entre los experi-

mentos diseñados por los estudiantes, los sistemas robóticos y las

cámaras de crecimiento, y los mapas conceptuales y modelos de

sistemas que producen.

1.5. Valorar el cambio conceptual con modelosconstruidos por estudiantes

41


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Schwarz y White (en prensa) afirman que la construcción de modelos

es fundamental para la cognición humana y la investigación científi-

ca. Creen que ayuda a los estudiantes a expresar y externalizar su

pensamiento; visualizar y comprobar los componentes de sus teorías

y hacer que los materiales sean más interesantes.

A continuación, resumiremos algunas de las razones para construir

modelos con el objetivo de impulsar el aprendizaje significativo y la

construcción de modelos mentales:

• La construcción de modelos es un fenómeno cognitivo natural. Al

encontrarse con fenómenos desconocidos, los seres humanos

empiezan a construir de manera natural teorías sobre estos fenó-

menos como parte esencial del proceso de comprensión.

• La construcción de modelos ayuda a hacer conjeturas, comprobar

e inferir hipótesis y una gran cantidad de habilidades cognitivas

importantes.

• Construir modelos requiere que los estudiantes articulen un razo-

namiento causal, que es la base de la mayoría de modelos de

cambio conceptual.

• Construir modelos lleva a un nivel más alto de compromiso con-

ceptual, importante premonitor del cambio conceptual (Dole y Si-

natra, 1998).

• Construir modelos tiene como consecuencia la construcción de

artefactos cognitivos (modelos mentales) mediante la construc-

ción de artefactos físicos.

• Cuando los estudiantes construyen modelos, son propietarios del

conocimiento. La propiedad del estudiante es importante para la

construcción de significado y de conocimiento. Cuando son pro-

pietarios de las ideas, los estudiantes quieren poner más esfuerzo,

defender sus posiciones y razonar de manera efectiva.

1.6. Bases para la construcción de modelos


42

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

• Construir modelos ayuda al desarrollo de creencias epistémicas.

En la base del aprendizaje se encuentran las creencias de las per-

sonas sobre lo que son el conocimiento y la verdad, y sobre cómo

desarrollamos estas creencias. Desde un punto de vista biológico,

aceptamos que los humanos se han adaptado muy bien al apren-

dizaje gracias al tamaño de su córtex. Pero ¿qué es lo que lleva a

las personas a aprender? Sociólogos y psicólogos hablan de ne-

cesidades de realización, que aportan un motivo conativo para el

aprendizaje. Sin embargo, epistemológicamente, ¿qué es lo que

motiva nuestros esfuerzos para entender el mundo? Según Witt-

genstein, lo que sabemos se basa en la posibilidad de la duda.

Sabemos muchas cosas, pero nunca podemos tener la certeza de

saberlas. Esta incertidumbre sólo puede modificarse con los es-

fuerzos para saber más sobre el mundo. Las herramientas de

construcción de modelos permiten a las personas externalizar y

comprobar sus creencias epistemológicas sobre el significado de

las construcciones epistemológicas, como el conocimiento y la

verdad, y sobre cómo estas creencias pueden cambiar con el

tiempo.

• Construir modelos aporta espacios colectivos de trabajo que lle-

van a motivos más fuertes de colaboración.

Aunque hemos defendido el uso de las tecnologías como herramien-

tas de construcción de modelos, es necesario analizar sus posibles li-

mitaciones.

• Carga cognitiva. La habilidad, el tiempo y el esfuerzo para apren-

der las habilitaciones de los distintos formalismos. Aunque Jonas-

sen (2000) ha defendido que la mayoría de estas herramientas

pueden aprenderse más o menos en una hora, hay otras que re-

quieren más tiempo. Además, si se usan frecuentemente se con-

seguirá una familiarización con las herramientas.

• Contradicciones. Desde un marco teórico de actividad (Barab,

Evans, y Baek, en prensa), una dimensión de este sistema de ac-

1.7. Limitaciones para la construcción de modelos

43


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

tividad reconceptualizado, potencialmente importante para el di-

seño, es el concepto de contradicción. Según Engeström (1987),

cualquier sistema de actividad dispone de cuatro niveles de con-

tradicciones que es necesario tener en cuenta durante el análisis

de una situación de aprendizaje y de trabajo. Son las siguientes:

– Nivel 1: La primera contradicción aparece en cada elemento

de la actividad central que se está investigando; surge de la

tensión entre el valor de uso y el valor de intercambio.

– Nivel 2: La segunda contradicción aparece entre los elementos

constituyentes del sistema de actividad central (por ejemplo,

entre el tema y la herramienta).

– Nivel 3: La tercera contradicción aparece entre el objeto/mo-

tivo de la actividad central y el objeto/motivo de una forma cul-

turalmente más avanzada que la de la actividad central.

– Nivel 4: La cuarta contradicción aparece entre la actividad

central y las adyacentes, como las actividades de producción

de instrumentos, temas o reglas.

Ejemplo

Para poner un ejemplo empírico de esta idea, Barab,

Barnett, Yamagata-Lynch, Squire, y Keating (en prensa)

utilizaban la teoría de la actividad como una lente ana-

lítica para entender las transacciones y tensiones pene-

trantes que caracterizaban las actividades de curso. Si

nos basamos en su análisis, interpretaron tensiones del

curso y contradicciones en el marco de todo el sistema

de actividad de curso, modelado de una forma general

usando la inscripción triangular de Engeström (1987)

para construir un modelo de la estructura básica de la

actividad humana (véase la figura 3). Todos los com-

ponentes que Engeström consideraba actividad consti-

tuyente se representan en negrita en las esquinas del

triángulo.

45


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Como proceso, solucionar un problema tiene dos características prin-

cipales. La primera es que requiere una representación mental de la

situación en el mundo. Eso quiere decir que al solucionar problemas

humanos, se construye una representación mental del problema, que

recibe el nombre de “espacio del problema” (Newell y Simon, 1972).

La segunda característica es que solucionar un problema requiere cier-

ta manipulación activa del espacio del problema. Cuando manipula-

mos el espacio del problema, representamos sus componentes y

dimensiones, generamos hipótesis sobre cómo encontrar lo descono-

cido, probamos estas hipótesis y llegamos a conclusiones. Por con-

siguiente, la manipulación del espacio del problema, ya sea una

representación mental interna o una manipulación física externa,

implica necesariamente una actividad consciente. Otra complica-

ción a la hora de solucionar un problema es que no todos los pro-

blemas son iguales, así que se necesitan diferentes procesos de

solución. Lo desconocido es que no sabemos cómo resolver distin-

tas clases de problemas.

2. Aprender a solucionar problemas

2.1. ¿En qué consiste la resolución de problemas?

aaaAntes que nada, ¿qué es un problema? Sólo existen

dos atributos importantes de un problema. Un pro-

blema es algo que se desconoce, es decir, si tenemos

un objetivo y no sabemos cómo llegar a él, hay algo

que no conocemos, tenemos un problema. El segun-

do atributo es que lo desconocido debe tener algún

valor social, cultural o intelectual para alguien. Si no

hay nadie que crea que vale la pena descubrir lo

desconocido, entonces no se ha percibido ningún

problema. El proceso de solución de un problema es

encontrar lo desconocido.


46

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Durante las últimas tres décadas han surgido distintas teorías sobre

la solución de problemas.

Gick (1986) sintetizó las teorías de solución de problemas en un modelo

simplificado del proceso de solución de problemas, buscando solucio-

nes para después implementarlas y controlarlas. Como la mayoría de

teorías de solución de problemas, ésta trata todos los problemas de la

misma forma. Estas teorías asumen que si estos procesos se aplican a

diferentes tipos de problemas, se consiguen resultados satisfactorios.

Sin embargo, la solución de problemas no es una actividad uniforme.

Los problemas no son equivalentes ni en contenido, ni en forma, ni en

proceso. ¿En qué se diferencian? Mayer y Wittrock (1996) han descrito

los problemas como mal definidos/bien definidos y rutinarios/no rutina-

rios. Jonassen (1997) distingue entre problemas mal o bien estructura-

dos y describe diferencias en el procesamiento cognitivo de estos dos

tipos. Smith (1991) distingue los factores externos, entre los que encon-

tramos el dominio y la complejidad, de las características internas del

solucionador de problemas. Cada vez hay más conformidad respecto a

la variabilidad de los problemas en lo que se refiere a sustancia, estruc-

tura y proceso. A continuación, describiré como mínimo tres maneras en

las que los problemas y su solución varían: estructuración, complejidad

y especificidad de campo (abstracción).

2.2.1. Estructuración

Como hemos señalado, Jonassen (1997) distingue entre problemas

mal y bien estructurados y recomienda diferentes modelos de diseño

2.2. Variedad de problemas

Ejemplo

Un modelo conocido es el IDEAL (Bransford y Stein,

1984), que describe la solución de problemas como un

proceso uniforme de Identificar problemas potenciales,

Definir y representar el problema, Explorar posibles es-

trategias y Actuar sobre estas estrategias, y Mirar atrás

(del inglés Look back) y valorar los efectos de estas ac-

tividades.

47


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

para cada tipo, porque requieren distintas habilidades. Los proble-

mas más comunes, sobre todo en escuelas y universidades, son pro-

blemas bien estructurados. Normalmente, se encuentran al final de

cada capítulo de los libros de texto y requieren la aplicación de un

número determinado de conceptos y reglas, así como el estudio de

principios en una situación problemática restrictiva. También se les

llama problemas de transformación, que consisten en un estado ini-

cial bien definido, un objetivo conocido y un grupo restrictivo de ope-

radores lógicos. Los problemas bien estructurados presentan todos

los elementos del problema; requieren un número limitado de reglas

y principios que se organizan en una disposición previsible y pres-

criptible; poseen respuestas correctas y convergentes, y tienen un

proceso de solución presentado y prescrito (Jonassen, 1997).

Por otro lado, los problemas mal estructurados son aquellos que se

encuentran en las actividades diarias, por lo que resultan típicamente

emergentes. Por el hecho de que no estén restringidos por los cam-

pos de contenido que se estudian en clase, sus soluciones no son pre-

decibles ni convergentes. Estos problemas requieren a menudo la

integración de varios campos de contenido. Las soluciones a proble-

mas como la contaminación medioambiental requieren componen-

tes de matemáticas, ciencia, política y psicología. Pueden darse

muchas soluciones alternativas. Los problemas mal estructurados tie-

nen unos objetivos vagamente definidos o poco claros, y restricciones

no expuestas; tienen muchas soluciones, vías de solución o ninguna

solución y requieren que los estudiantes expresen su opinión perso-

nal o sus creencias sobre el problema, así que hablamos únicamente

de actividades humanas interpersonales (Jonassen, 1997).

Los investigadores han asumido desde hace tiempo que aprender a

solucionar problemas bien estructurados se transfiere de manera po-

sitiva hacia el aprendizaje de problemas mal estructurados. Mientras

que las teorías del procesamiento de información han creído que “en

general, los procesos utilizados para resolver problemas mal estruc-

turados son los mismos que los utilizados para los problemas bien

estructurados” (Simon, 1978, p. 287), investigaciones recientes de la

solución de problemas diarios aclaran que existen marcadas diferen-

cias entre el pensamiento necesario para resolver problemas conver-

gentes y el que sirve para resolver problemas diarios. Dunkle,

Schraw, y Bendixen (1995) concluyen que solucionar problemas bien

definidos es independiente de realizar tareas mal definidas, y que los


48

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

problemas mal definidos requieren un conjunto distinto de creencias

epistémicas. Hong, Jonassen, y McGee (en prensa) observan que re-

solver problemas mal estructurados en una simulación requiere dife-

rentes habilidades que resolver problemas bien estructurados, entre

las cuales se encuentran la metacognición y la argumentación. Jo-

nassen y Kwon (2001) afirman que las pautas de comunicación en

equipos difieren a la hora de solucionar problemas bien y mal estruc-

turados. Es evidente que hace falta más investigación que justifique

estas observaciones, pero es obvio que estos dos tipos de problemas

requieren habilidades intelectuales distintas.

2.2.2. Complejidad

De la misma manera que los problemas mal estructurados son más di-

fíciles de solucionar que los que están bien estructurados, los problemas

complejos también son más difíciles de resolver que aquellos más sen-

cillos. Existen tres dimensiones dentro de la complejidad de los proble-

mas: el número de temas, funciones y variables que actúan en el

problema; el número de interacciones dentro de estos temas, funciones

o variables; y la predictibilidad del comportamiento de estos temas, fun-

ciones o variables. Aunque la complejidad y estructuración pueden co-

incidir, la complejidad se refiere más a la manera como muchos

componentes se representan de forma implícita o explícita dentro del

problema, cómo interactúan y cómo se comportan de forma consisten-

te. Cuanto más complejo sea un problema, más difícil será procesar ac-

tivamente los componentes del mismo para quien quiera resolverlo. Los

problemas bien estructurados, como los problemas matemáticos y cien-

tíficos de los libros de texto, no son demasiado complejos, implican un

conjunto restringido de factores o variables. Aunque los problemas mal

estructurados tienden a ser más complejos, también sucede que los que

están bien estructurados pueden ser extremadamente complejos y los

mal estructurados, muy sencillos. Por ejemplo, el ajedrez y el bridge son

problemas bien estructurados muy complejos y, en cambio, elegir qué

ponerse (al menos para mí) es un problema sencillo mal estructurado.

Muchos problemas, como hacer funcionar un negocio de venta al por

menor, representan un complejo o conjunto de problemas más senci-

llos. Los problemas en contextos de la vida diaria o profesional suelen

ser complejos, así que, a la hora de analizar cualquier contexto proble-

mático, hay que identificar tanto su complejidad como los problemas

que lo constituyen.

49


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

2.2.3. Especificidad de campo (abstractos-situados)

Las teorías e investigaciones actuales de la solución de problemas

afirman que las habilidades para resolver problemas son específicas

del dominio y del contexto, es decir, están situadas, integradas, y por

eso dependen de la naturaleza del contexto o dominio. Esto es así

porque solucionar problemas dentro de un campo se basa en unas

estrategias cognitivas (métodos fuertes) específicas del dominio (Ma-

yer, 1992; Smith, 1991; Sternberg y Frensch, 1991). Otros estudios

contradicen esta idea de la especificidad del dominio a la hora de

resolver problemas. Lehman, Lempert, y Nisbett (1988) han conclui-

do que existen diferentes formas de razonamiento que se enseñan en

distintas disciplinas universitarias.

El razonamiento se adquiere mejor mediante el desarrollo de esque-

mas de razonamiento pragmático que con ejercicios de lógica formal.

Es decir, los estudiantes de estos dominios desarrollan habilidades de

razonamiento mediante la solución de problemas mal estructurados

que requieren formas de lógica específicas del dominio; no queda cla-

ro cómo se efectúa realmente esta solución de problemas específica

de cada dominio.

Los problemas mal estructurados suelen estar más situados, mien-

tras que los que están bien estructurados son más abstractos. Sin

embargo, no es algo fijo, y los problemas bien estructurados, en

forma de problemas matemáticos, pueden estar bastante situados,

mientras que los problemas mal estructurados, en forma de dile-

mas, pueden ser bastante abstractos. En este capítulo, propongo y

describo seguidamente una tipología de solución de problemas.

Esta tipología asume que hay semejanzas en algunos de los pro-

cesos cognitivos de los distintos problemas. También asumo que

Ejemplo

Por ejemplo, los alumnos licenciados en las ciencias de

probabilidad de la Psicología y la Medicina resuelven

mejor los problemas de razonamiento estadístico, me-

todológico y condicional de la vida diaria que los estu-

diantes de Derecho y Química, que no aprenden estas

formas de razonamiento.


50

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

algunas estrategias de instrucción, hasta cierto punto, pueden ge-

neralizarse a través de los tipos de problemas.

La tabla 1 es una lista horizontal de once tipos diferentes de problemas,

incluyendo problemas lógicos, algorítmicos, matemáticos, problemas

que usan reglas, problemas de toma de decisiones, problemas de me-

diación, problemas de diagnosis-solución, actuaciones tácticas/estraté-

gicas, problemas políticos o de análisis de casos ubicados, problemas

de diseño y dilemas. Esta gama describe un continuo de problemas,

desde los que están bien estructurados hasta los mal estructurados.

Dentro de cada categoría, los problemas pueden variar en abstracción

y complejidad. El resultado de aprendizaje de cada tipo de problema

se describe en la siguiente fila de la tabla; luego aparece una lista de

los tipos de problemas, que describen brevemente los requisitos de

proceso cognitivo de cada uno. La siguiente fila es una lista de los tipos

de soluciones.

Los problemas bien estructurados se centran en soluciones correc-

tas, eficaces, mientras que los mal estructurados se fijan más en la

articulación y argumentación de decisiones. Los problemas pueden

variar desde problemas lógicos y algoritmos con soluciones exac-

tas, hasta dilemas que no tienen una solución verificablemente co-

rrecta. Seguidamente, hay una lista de la función que ejerce el

contexto de los problemas. El contexto es de vital importancia a la

hora de definir problemas mal estructurados y en cambio, los pro-

blemas bien estructurados quitan énfasis a la función del contexto.

En la tabla 1 también hay una lista de ejemplos breves de cada tipo

de problema; las dos últimas filas describen el nivel de estructura-

ción y abstracción que normalmente se encuentra en estos proble-

mas. La complejidad varía mucho dentro de cada clase de

problema que hay que describir. Esta tabla presenta una visión ge-

neral de los diferentes tipos de problemas que los educadores y es-

tudiantes deben aprender a solucionar.

2.3. Tipología de solución de problemas

51


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Tab

la 1

. Ti

pos

de p

robl

emas

Tip

o d

e p

rob

lem

aPr

oble

ma

lóg

ico

Alg

ori

tmo

Prob

lem

a

mate

mátic

o

narr

ad

o

Proble

mas

qu

e u

san

reg

las

Tom

a d

e d

ecis

ion

es

Prob

lem

a d

e re

solu

ción

de

dific

ulta

des

Dia

gn

osi

s-So

luci

ón

Act

uaci

ón

es

traté

gic

aA

nális

is d

e ca

sos

Dis

eños

Dile

mas

Act

ivid

ad d

e ap

ren

diz

aje

Con

trol

lógi

co y

m

anip

ulac

ión

de v

aria

bles

lim

itada

s;

reso

lver

la

perp

lejid

ad

Secu

enci

a pr

oced

imen

tal

de

man

ipul

acio

nes;

pr

oces

o al

gorít

mic

o ap

licad

o a

conj

unto

s si

mila

res

de

vari

able

s;

cálc

ulo

o pr

oduc

ción

de

resp

uest

as

corr

ecta

s

Des

ambi

guar

va

riabl

es;

sele

ccio

nar

y ap

licar

al

gorit

mos

par

a pr

oduc

ir la

re

spue

sta

corr

ecta

m

edia

nte

el

mét

odo

pres

crito

Proc

eso

proc

edim

enta

l re

strin

gido

por

no

rmas

; se

lecc

iona

r y

aplic

ar r

egla

s pa

ra p

rodu

cir

resp

uest

as o

pr

oduc

tos

de

sist

emas

re

strin

gido

s

Iden

tific

ació

n de

be

nefic

ios

y lím

ites;

val

orar

op

cion

es;

sele

ccio

nar

alte

rnat

ivas

y

just

ifica

r

Exam

inar

el

sist

ema;

hac

er

prue

bas;

val

orar

re

sulta

dos;

ha

cer h

ipót

esis

y

conf

irmar

fals

os

esta

dos

con

estr

ateg

ias

(sus

tituc

ión,

el

imin

ació

n en

se

rie,

sepa

raci

ón d

e es

paci

o)

Fallo

s de

l si

stem

a de

m

edia

ción

; se

lecc

iona

r y

valo

rar

las

opci

ones

de

trat

amie

nto

y co

ntro

lar;

ap

licar

es

quem

as d

e pr

oble

mas

Apl

icar

táct

icas

pa

ra ll

egar

a

estr

ateg

ias

en

tiem

po r

eal,

actu

acio

nes

com

plej

as

man

teni

endo

la

conc

ienc

ia

situ

acio

nal

Iden

tific

ar

solu

cion

es,

actu

acio

nes

alte

rnat

ivas

, ar

gum

enta

r la

po

sici

ón

Act

uar

sobr

e lo

s ob

jetiv

os p

ara

prod

ucir

arte

fact

os;

estr

uctu

raci

ón y

ar

ticul

ació

n de

pr

oble

mas

Reco

ncili

ar la

s de

cisi

ones

co

mpl

ejas

, no

prev

isib

les

y m

oles

tas

sin

solu

ción

; pe

rspe

ctiv

as

irrec

onci

liabl

es

Entr

ad

as

Perp

lejid

adFó

rmul

a o

proc

edim

ient

oH

isto

ria c

on

fórm

ula

o pr

oced

imie

nto

fijad

os

Situ

ació

n en

un

sist

ema

rest

ringi

do;

regl

as li

mita

das

Situ

ació

n de

de

cisi

ón c

on

solu

cion

es

alte

rnat

ivas

lim

itada

s

Sist

ema

con

un

mal

fu

ncio

nam

ient

o co

n un

o o

más

fa

llos

Sist

ema

com

plej

o co

n fa

llos

y va

rias

solu

cion

es

opci

onal

es

Act

uaci

ón

com

plej

a a

tiem

po r

eal c

on

nece

sida

des

com

petit

ivas

Sist

ema

com

plej

o a

tiem

po li

bre

con

muc

hos

obje

tivos

mal

de

finid

os

Dec

lara

ción

va

ga d

e ob

jetiv

os c

on

poca

s re

stric

cion

es;

requ

iere

es

truc

tura

ción

Situ

ació

n co

n po

sici

ones

an

tinóm

icas

Cri

teri

os

de

éxito

Man

ipul

ació

n ef

icaz

; m

ovim

ient

os o

m

anip

ulac

ione

s re

quer

idos

La r

espu

esta

o

el p

rodu

cto

es

igua

l en

valo

r y

form

a

La r

espu

esta

o

el p

rodu

cto

es

igua

l en

valo

r y

form

a; s

e ha

us

ado

el

algo

ritm

o co

rrec

to

Prod

uctiv

idad

(núm

ero

de

resp

uest

as o

pr

oduc

tos

rele

vant

es o

út

iles)

La r

espu

esta

o

el p

rodu

cto

es

igua

l en

valo

r y

form

a

Iden

tific

ació

n de

fa

llo(s

); e

ficac

ia

del a

isla

mie

nto

de fa

llo(s

)

Estr

ateg

ia

usad

a;

efec

tivid

ad y

ef

icac

ia d

e tr

atam

ient

o;

just

ifica

ción

del

tr

atam

ient

o es

cogi

do

Con

segu

ir e

l ob

jetiv

o es

trat

égic

o

Múl

tiple

, poc

o cl

aro

Crit

erio

s m

últip

les,

in

defin

idos

; no

ha

y co

rrec

to o

in

corr

ecto

–só

lo

mej

or o

peo

r

Pref

eren

cia

artic

ulad

a co

n al

guna

ju

stifi

caci

ón

Con

text

oTa

rea

abst

ract

aA

bstr

acto

, fo

rmul

ista

De

elem

ento

s re

strin

gido

s a

los p

rede

finid

os,

cont

exto

su

perf

icia

l

Det

erm

inad

o,

acad

émic

o,

mun

do r

eal,

rest

ringi

do

Dec

isio

nes

de la

vi

daSi

stem

a ce

rrad

o, m

undo

re

al

Mun

do r

eal,

técn

ico,

sob

re

todo

sis

tem

a ce

rrad

o

Act

uaci

ón a

tie

mpo

rea

lM

undo

rea

l, re

strin

gido

M

undo

rea

l, co

mpl

ejo;

ni

vele

s de

lib

erta

d;

entr

ada

limita

da

y re

acci

ón

Tópi

co,

com

plej

o, in

ter-

disc

iplin

ario

Niv

el d

e es

tru

ctu

raci

ón

Des

cubi

erto

Proc

edim

enta

l pr

edec

ible

Cla

ses

de

prob

lem

as b

ien

defin

idas

; pr

oced

imen

tal

pred

ecib

le

Resu

ltado

im

prev

isib

leRe

sulta

dos

finito

sFa

llos

y re

sulta

dos

finito

s

Fallo

s y

resu

ltado

s fin

itos

Estr

ateg

ias

mal

es

truc

tura

das;

tá

ctic

as b

ien

estr

uctu

rada

s

Mal

es

truc

tura

doM

al

estr

uctu

rado

Resu

ltado

s fin

itos,

múl

tiple

ra

zona

mie

nto

Niv

el d

e ab

stra

cció

nA

bstr

acto

, de

scub

iert

oA

bstr

acto

, pr

oced

imen

tal

Sim

ulac

ión

limita

daBa

sado

en

nece

sida

des

Situ

ado

pers

onal

men

teSi

tuad

o po

r pr

oble

ma

Situ

ado

por

prob

lem

aSi

tuad

o po

r co

ntex

toSi

tuad

o po

r ca

soSi

tuad

o po

r pr

oble

ma

Situ

ado

por

tem

a


52

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

2.3.1. Problemas lógicos

Los problemas lógicos suelen ser pruebas abstractas de la lógica que

desconcierta al estudiante. Se utilizan para apoyar la agudeza men-

tal, la claridad y el razonamiento lógico.

En cada uno de estos juegos, hay un método específico de razona-

miento que lleva a la solución más eficaz. Es el estudiante quien debe

descubrir este método. Los estudios han demostrado que no hay

transferencia de soluciones de estos problemas a problemas idénti-

cos (Hayes y Simon, 1977; Reed, Ernst, y Banerji, 1974). Este tipo de

problemas se ha usado sobre todo para investigar procesos de solu-

ción de problemas, a pesar de que no haya posibilidad de transfe-

rencia a problemas de la vida cotidiana o profesional.

2.3.2. Problemas algorítmicos

Uno de los tipos de problemas más comunes en las escuelas es el al-

goritmo. En la mayoría de cursos de matemáticas, los estudiantes

aprenden a resolver problemas mediante un conjunto rígido y finito

de procedimientos, con decisiones limitadas y predecibles. Solucio-

nar algoritmos requiere comprensión, producción numérica y cálculo

(McCloskey, Caramaza, y Basili, 1985). Los sistemas de procesa-

miento de números de los estudiantes, que consisten en comprensión

y producción de números, son la comprensión intelectual que com-

plementa los procedimientos de cálculo. Los cálculos, según McClo-

skey y otros (1985) requieren comprender operaciones (por ejemplo,

propiedades asociativas y conmutativas y conceptos de multiplica-

ción y división), procedimientos de ejecución para el cálculo y la re-

cuperación de hechos aritméticos (por ejemplo, tablas de tiempos).

Ejemplo

Juegos clásicos como Misioneros y Caníbales o La Torre

de Hanoi desafían al estudiante para que encuentre la

secuencia de acción más eficaz (el menor número de

movimientos). El cubo de Rubic era un juego que se

hizo popular en los años setenta, con el cual el usuario

debía hacer girar las filas y columnas de un cubo tridi-

mensional para crear composiciones de colores.

53


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Estos enfoques algorítmicos también se usan frecuentemente en cur-

sos de ciencias o de economía doméstica.

La primera limitación de los enfoques algorítmicos es su dependen-

cia excesiva de las estructuras de conocimiento procedimental y la

falta o ausencia de comprensión conceptual de los objetivos del al-

goritmo y los procedimientos que requiere. El contenido que sólo se

aprende como procedimiento raras veces puede transmitirse por la

falta de comprensión conceptual del proceso subyacente. Ésta es una

queja bastante común sobre el aprendizaje de estadísticas, en el cual

los profesores se centran en los algoritmos y olvidan el objetivo del

estudio del análisis estadístico.

2.3.3. Problemas narrados

En un intento de situar los algoritmos en una especie de contexto,

muchos autores de libros de texto y profesores utilizan los problemas

matemáticos. Normalmente, este proceso consiste en fijar los valores

que se necesitan para resolver un algoritmo en una situación o na-

rración breve. Se pide a los estudiantes que seleccionen la fórmula

más adecuada para resolver el problema, que extraigan los valores

de la narración y los inserten en la fórmula, resolviendo la cantidad

desconocida. Se trata de un proceso cognitivo más complejo que se-

guir un algoritmo procedimental. Desgraciadamente, la narración

del problema a menudo no tiene ningún interés para el estudiante.

Por esta razón, cuando intentan transferir las habilidades para solu-

cionar problemas matemáticos a otros problemas, se centran dema-

siado en las características superficiales o recurren a soluciones

familiares que han utilizado en problemas previos (Woods, Hrymak,

Marshall, Wood, Crowe, Hoffman, Wright, Taylor, Woodhouse, y

Bouchard, 1997). No llegan a entender los principios y las aplicacio-

nes conceptuales subyacentes en la actividad y tampoco pueden

transferir la habilidad de resolver un tipo de problema a otros pro-

blemas que tienen la misma estructura pero características distintas.

2.3.4. Problemas que usan reglas

Una cantidad importante de problemas tienen soluciones correctas

pero múltiples vías de solución o múltiples reglas que dirigen el pro-


54

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

ceso de solución. Suelen tener un propósito u objetivo claro que es

restrictivo, pero no restringido a un procedimiento o método especí-

fico. Los problemas que usan reglas pueden ser tan sencillos como

una receta para acoger a más invitados, o tan complejos como re-

llenar las declaraciones de devolución de impuestos. Utilizar un sis-

tema de búsqueda en línea para localizar información importante en

la web es un ejemplo de problemas que usan reglas. El objetivo es

claro: encontrar la información más relevante en el menor tiempo.

Ello requiere seleccionar los términos de búsqueda, construir argu-

mentos de búsqueda eficaces, implementar la estrategia de búsque-

da y valorar la utilidad y credibilidad de la información encontrada.

Schacter, Chung, y Dorr (1998) han revelado que los estudiantes ra-

ramente utilizan estrategias de búsqueda sistemática y pasan muy

poco tiempo o nada planeándolas. Ésta es la esencia de la búsqueda

orientada con reglas. Por el hecho de que hay múltiples estrategias

de búsqueda, los problemas que usan reglas pueden llegar a estar

decididamente mal estructurados.

2.3.5. Problemas de toma de decisiones

Los problemas de toma de decisiones normalmente se resumen en

decisiones con un número de soluciones limitadas. Por ejemplo, ¿nos

movemos en la dirección adecuada para aceptar una promoción?

¿Qué plan de salud escogemos? ¿Qué escuela es mejor para mis hi-

jos? Aunque estos problemas tienen un número limitado de solucio-

nes, el número de factores que pueden considerarse a la hora de

decidir entre éstas, así como la importancia que damos a cada una,

puede ser muy complejo. Los problemas de toma de decisiones nor-

malmente requieren comparar y contrastar las ventajas e inconve-

nientes de las soluciones alternativas. Las decisiones se justifican por

la importancia que se concede a cada uno de estos factores.

2.3.6. Problemas de resolución de dificultades

La resolución de dificultades o averías es una de las formas más co-

munes de solucionar problemas cotidianos. Mantener comunicacio-

nes complejas y equipamientos informáticos requiere de esta

habilidad de resolución, como por ejemplo eliminar un virus de un

programa informático. El objetivo principal de la resolución de difi-

55


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

cultades es la diagnosis de estados falsos. Es decir, hay una parte de

un sistema que no funciona correctamente, y ello crea síntomas que

deben diagnosticarse y corresponder con el conocimiento del usua-

rio sobre los distintos estados falsos. La resolución de dificultades su-

pone utilizar síntomas para generar y probar hipótesis sobre distintos

estados falsos.

Esta habilidad requiere una combinación de conocimiento dominan-

te y de sistemas (modelos conceptuales del sistema); estrategias de

resolución de dificultades como buscar-y-sustituir, la eliminación en

serie y la partición del espacio, y la experiencia (representada en el

razonamiento basado en casos). Estas habilidades se integran y se

organizan a partir de las experiencias del localizador de problemas.

El modelo conceptual consiste en un conocimiento conceptual, fun-

cional y declarativo, incluyendo el conocimiento de componentes del

sistema y de interacciones, el control de movimiento, los falsos esta-

dos (características falsas, síntomas, información contextual y proba-

bilidades de ocurrencia) y los procedimientos de comprobación de

fallos.

2.3.7. Problemas de solución y diagnosis

Los problemas de solución y diagnosis se parecen a los de resolución

de dificultades; la mayoría de estos problemas requieren la identifi-

cación de un estado falso. Sin embargo, en el caso de la resolución

de dificultades o averías, el objetivo es reparar el fallo y volver a tener

el sistema en línea lo más rápido posible, o sea, que las estrategias

de solución son más restrictivas. Los problemas de solución y diag-

nosis normalmente empiezan con un estado falso similar al de la re-

solución de dificultades (por ejemplo, síntomas de una persona

enferma). El médico examina al paciente y estudia su historial antes

de hacer un diagnóstico inicial. En una espiral de recogida de datos,

en la generación de hipótesis y la comprobación, el médico se centra

en una etiología específica y un diagnóstico diferencial del problema

del paciente. En este punto, el médico ya puede sugerir una solución.

A menudo existen múltiples soluciones y vías de solución, por lo que

el médico debe justificar una solución concreta. Esta ambigüedad en

las vías de solución es lo que distingue los problemas de solución y

diagnosis de los de resolución de dificultades.


56

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

2.3.8. Actuaciones estratégicas

La actuación táctica-estratégica requiere tiempo real, estructuras de

actividades complejas en las que los actores recurren a actividades

tácticas para encontrar una estrategia más compleja y mal estructu-

rada manteniendo la conciencia situacional. Para llegar al objetivo

estratégico, como cuando uno pilota un avión comercial o un quar-

terback (corredor de rugby) contraataca una falta de fútbol profesio-

nal, el actor aplica una serie de actividades tácticas complejas que se

han diseñado para llegar a unos objetivos estratégicos. La formación

de estrategias representa un caso ubicado o un problema de diseño

(descrito a continuación). Encontrar esta estrategia mediante manio-

bras tácticas es una actuación táctica. Típicamente, existe un número

limitado de actividades tácticas que se han diseñado para cumplir la

estrategia, pero la prueba de que un actor táctico es experto radica

en su habilidad para improvisar y construir nuevas tácticas para lle-

gar a la estrategia. El quarterback que grita en la línea está eligiendo

una nueva táctica para llegar a la estrategia ofensiva. En el campo

de batalla, los oficiales superiores identifican una estrategia y pue-

den negociar cuestiones tácticas con el actor, pero todos se dan

cuenta de que las tácticas deben ajustarse. Estos ajustes son contex-

tualmente restringidos. Las actuaciones tácticas pueden ser bastante

complejas. Las opciones pueden ser numerosas y su implementación

bastante compleja.

2.3.9. Problemas políticos y de análisis de casos ubicados

Los problemas de análisis de casos son situaciones multifacéticas

complejas. Lo que hace que sean problemas difíciles de resolver

es que no siempre está claro cuál es el problema. El hecho de que

la definición del espacio del problema sea más ambigua hace que

estos problemas estén peor estructurados. Son el tipo de proble-

ma más común en contextos profesionales; requieren que la per-

sona exprese la naturaleza del problema y las distintas

perspectivas que influyen en el mismo antes de sugerir soluciones

(Jonassen, 1997). De todos los problemas que hemos estudiado

hasta ahora, éste es el tipo de problema más vinculado al contex-

to; es decir, sus soluciones dependen de un análisis de factores

contextuales. Solucionar problemas económicos, como la planifi-

cación de la producción, se engloban en este tipo. Decidir los ni-

57


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

veles de producción, por ejemplo, requiere equilibrar los recursos

humanos, las tecnologías, los inventarios y las ventas (Jonassen,

Privish, Christy, y Stavrulaki, 1999). También encontramos ejem-

plos clásicos de problemas de análisis de casos en las relaciones

internacionales, como por ejemplo:

Los problemas en las relaciones internacionales implican tomar de-

cisiones, generar soluciones y comprobarlas en un contexto político.

Justificar decisiones es uno de los procesos más importantes dentro

de la solución de problemas de análisis de casos.

2.3.10. Problemas de diseño

Uno de los tipos de problemas peor estructurados es el hecho de

diseñar algún objeto. Ya sea un circuito electrónico, una casa o

cualquier otro producto o sistema, el diseño requiere aplicar una

gran cantidad de conocimiento dominante con mucho conoci-

miento estratégico para llegar a un diseño original. El diseño ins-

truccional es un ejemplo clásico de solución de problemas mal

estructurados. A pesar de nuestra lealtad para diseñar modelos,

en cualquier problema de diseño instruccional existen un número

infinito de soluciones posibles. Además, aunque hay quien opina

lo contrario, no disponemos de suficientes estudios que apoyen

algún modelo en distintas situaciones. Para los diseñadores sin

experiencia no queda claro qué modelo es el más apropiado. Y

los criterios que exponen la mejor solución no siempre son obvios,

así que las habilidades en la argumentación y justificación pueden

ayudar a los diseñadores o diseñadoras a racionalizar su diseño.

Aunque ellos/ellas siempre esperan la mejor solución, ésta pocas

veces llega a conocerse. Además de su mala estructuración, mu-

chos problemas de diseño son complejos y requieren que el dise-

ñador equilibre muchas necesidades y restricciones al llevarlo a

aaa“[...] dada la baja productividad de cosechas en la

Unión Soviética, ¿cómo podría una persona ocuparse

de mejorar la productividad de la cosecha si fuera di-

rector del Ministerio de Agricultura en la Unión Soviéti-

ca?” (Voss y Post, 1988, p. 273)


58

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

cabo. No podemos quitar importancia a este tipo de problemas.

La mayoría de profesionales cobran por diseñar objetos (produc-

tos, sistemas, etc.), y no por hacer exámenes. Un objetivo impor-

tante en los planes de estudio actuales es que se adquiera más

experiencia en este tipo de problemas.

2.3.11. Dilemas

Los dilemas o problemas basados en temas son los más impredeci-

bles y mal estructurados, sobre todo porque no hay ninguna solución

que sea aceptable para una parte importante de las personas afec-

tadas.

Los dilemas suelen ser situaciones sociales complejas con perspecti-

vas conflictivas, y normalmente son los problemas que crean más

perplejidad.

Ejemplo

La crisis de Kosovo es un ejemplo muy claro de un pro-

blema de dilema. Normalmente, hay muchas perspec-

tivas sobre la situación (militar, política, social, ética,

etc.) y ninguna es capaz de aportar una solución acep-

table a la crisis. La situación es tan compleja e impre-

decible que no se puede encontrar una solución que

sea mejor que las otras. Ello no quiere decir que no

haya soluciones que pueden intentarse con grados va-

riables de éxito, pero ninguna de ellas cubrirá las ne-

cesidades de la mayoría o evitará la catástrofe.

59


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Encontramos problemas en todas partes, de tal manera que gasta-

mos buena parte de nuestra energía psicológica en resolverlos.

Mientras que a muchos de nosotros no nos gusta admitir que tene-

mos problemas, la realidad es que los solucionamos diariamente.

¿Qué me pongo para ir a trabajar? ¿Cuál es el mejor camino para

evitar el tráfico? ¿Cómo hacer que mi jefe no me regañe? ¿Qué po-

demos comer esta noche? ¿Cómo podemos promocionar este pro-

ducto para maximizar los ingresos? ¿Cómo hago que los estudiantes

dejen de hablar en clase? Estamos inundados de problemas cada

día. Desgraciadamente, raras veces nos enseñan a solucionarlos.

En esta sección, describiremos los requisitos básicos para diseñar en-

tornos de aprendizaje en línea que ayuden a las personas a solucionar

diferentes tipos de problemas. El hecho de que cada tipo de problema

descrito anteriormente requiere un proceso de pensamiento distinto

para llegar a una solución, hace que cada uno deba enseñarse de una

forma distinta. Anteriormente, hemos descrito once tipos de proble-

mas, pero por cuestión de espacio sólo voy a describir tres clases de

entornos de aprendizaje para la resolución de los mismos. Describiré,

en términos generales, cómo deberían ser los entornos de aprendizaje

en línea para que permitan aprender a resolver problemas matemáti-

cos, problemas de resolución de dificultades y problemas de análisis

de casos. En la actualidad todavía estamos desarrollando modelos

que permitan enseñar a resolver otros tipos de problemas.

El método más común para enseñar a solucionar problemas matemá-

ticos es el que consiste en traducir las historias a fórmulas y entonces

solucionar lo desconocido. Los estudiantes pueden llegar a ser muy

hábiles a la hora de representar problemas cuantitativamente sin en-

tender los principios subyacentes que representan las fórmulas.

3. Entornos de aprendizaje de resolución de problemas en línea

3.1. Problemas narrados


60

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Cuando les dio un examen diseñado para valorar su conocimien-

to básico de los conceptos de física representados en los proble-

mas, “quedó muy sorprendido por el fracaso. Aparentemente,

muchos estudiantes simplemente habían memorizado ecuaciones

y procedimientos para resolver problemas sin entender los con-

ceptos que había escondidos.” Este resultado ocurre inevitable-

mente cuando los estudiantes usan un enfoque de aplicación

directa (plug and chug) (introducir valores en las fórmulas y en-

contrar directamente la solución) para resolver problemas mate-

máticos. ¿Por qué ocurre esto? Porque plug and chug no requiere

habilidades como la interpretación de conceptos o la generación

de representaciones que generan problemas, imprescindibles

para el aprendizaje significativo (Jonassen, 2001). Cada tipo de

solución de problemas requiere que el estudiante construya una

especie de modelo mental del problema y que base sus planes de

solución en su modelo. Es importante que los estudiantes demues-

tren que entienden conceptualmente el problema antes de elegir

una fórmula (Reusser, 1993).

En las siguientes páginas, describiremos, justificaremos y ejemplifica-

remos un modelo para crear entornos de aprendizaje que ayuden a

los estudiantes a aprender a resolver problemas conceptual y cuan-

titativamente. Cada componente dispone también de una breve des-

cripción posterior de cómo funcionan los entornos de aprendizaje de

problemas matemáticos.

3.1.1. Tipo de problema y tipología

La construcción de un modelo conceptual de la solución de pro-

blemas resulta difícil porque cada tipo de problema tiene un mo-

aaa“Durante años, el profesor de física Eric Mazur creyó

firmemente que los estudiantes de su curso introducto-

rio de física de la Universidad de Harvard estaban en-

tendiendo la materia; después de todo, conseguían

excelentes resultados en los difíciles problemas cuanti-

tativos de los exámenes.” (Panitz, 1998, p. 17)

61


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

delo distinto. Existen distintos tipos de problemas clásicos de

movimiento en matemáticas, como el adelantamiento (un vehícu-

lo arranca y le sigue otro vehículo que hace el mismo trayecto a

más velocidad), dirección opuesta (dos vehículos que salen del

mismo punto y van en dirección opuesta), viaje de ida y vuelta (el

vehículo va del punto A al B y vuelve), o cierre (dos vehículos que

arrancan en dos puntos distintos y viajan el uno hacia donde está

el otro) (Mayer, Larkin, y Kadane, 1984). Cada tipo de problema

tiene un conjunto de relaciones estructurales entre las entidades

que requieren operaciones distintas. Es esencial que los estudian-

tes construyan modelos conceptuales que demuestren que han en-

tendido las relaciones entre las entidades que establece el

problema. Deben aprender las estructuras de cada tipo de proble-

ma que intentan solucionar. Clasificar tipos de problemas es bá-

sico para entender y transferir la solución de problemas (Mayer,

Larkin, y Kadane, 1984). ¿Por qué? Porque los principiantes sue-

len clasificar los problemas basándose en el contenido superficial

(las entidades situacionales que establece el problema) y no las

relaciones fijadas en los principios, y ello provoca una mala cate-

gorización del tipo de problema (Blessin y Ross, 1996). Clasificar

problemas es importante porque, como han revelado Mayer y

otros (1984), cuando los estudiantes categorizan incorrectamente

los problemas, es más probable que cometan errores.

En casi todos los campos donde utilizan problemas matemáticos, los

investigadores han desarrollado tipologías de problemas. Incluso los

problemas matemáticos más elementales pueden clasificarse como

problemas de cambio, de comparación o de combinación (Riley y

Greeno, 1983).

Ejemplo

Un problema de comparación en el que se desconoce

la cantidad de cambio podría ser éste:

Tom tiene cuatro manzanas.

Mary tiene algunas manzanas.

Juntos, tienen nueve manzanas.

¿Cuántas manzanas tiene Mary?


62

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Mayer (1982) ha analizado miles de problemas de los libros de

álgebra de los institutos para encontrar semejanzas estructurales.

Ha identificado ocho familias de problemas matemáticos: proble-

mas de cálculo de tiempo, problemas de coste unitario, proble-

mas de coste porcentual, cálculo directo, geométricos (área

simple), físicos (ley de Ohm), estadísticos (combinaciones) y pro-

blemas numéricos. En cada familia de problemas, Mayer identifi-

ca categorías de problemas. Por ejemplo, en los problemas de

cálculo de tiempo identifica problemas de movimiento, problemas

actuales y problemas laborales. En cada una de estas categorías

identifica plantillas de problemas que comparten características

similares. Por ejemplo, dentro de los problemas de movimientos,

identifica plantillas como el adelantamiento, la dirección opuesta,

el viaje de ida y vuelta, el cierre, el cambio de velocidad, la misma

dirección, etc. La estructura para los problemas de movimiento de

adelantamiento especifica que “un vehículo arranca y le sigue

otro vehículo que hace el mismo trayecto a más velocidad” (p.

156). Para enseñar a los estudiantes a resolver problemas de este

tipo en cualquier campo, hay que construir tipologías similares de

tipos de problema para enseñar explícitamente semejanzas y di-

ferencias estructurales entre problemas.

Ejemplo

Para diseñar y desarrollar entornos de aprendizaje

de problemas matemáticos en la física introductoria,

construimos la tipología de problemas de la figura

11. El organizador gráfico se usa para estructurar el

entorno de aprendizaje. Cuando el estudiante se en-

cuentra con el problema, debe usar primero esta ti-

pología y clasificar el problema. Si se hace un doble

clic en cada tipo de problema, aparecen ejemplos,

así como los principios subyacentes de la física. Po-

ner énfasis en las propiedades estructurales de los

problemas y contrastarlos con otros del mismo cam-

po impulsa las habilidades del estudiante para gene-

ralizar problemas dentro de la clase y discrimina

entre aquellas clases que se basan más en las pro-

piedades estructurales de los problemas que en el ni-

vel superficial y las características situacionales (Chi,

Feltovich, y Glaser, 1981; Silver, 1981).

63


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

La figura 12 ilustra la estructura de un entorno de solución de un pro-

blema matemático (ESPM). A continuación, describiremos cada uno

de los componentes del entorno.

Figura 11. organizador gráfico de problemas físicos.


64

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

3.1.2. Clasificación de problemas

Cuando se trabaja en un entorno de solución de problemas mate-

máticos (ilustrado en la figura 13), los estudiantes deben elegir el tipo

de problema que creen que lo describe mejor, utilizando el menú

para bajar en la parte izquierda superior de la pantalla. En este caso,

el estudiante utiliza correctamente el clasificador de problemas para

seleccionar la cinemática, seguidamente, la velocidad constante y

luego, la bidimensional.

Figura 12. Estructura de un entorno de solución a un problema matemático.

65


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

3.1.3. Problema verbal

El estudiante visualiza el problema en el entorno de solución de pro-

blemas matemáticos (ESPM) –en inglés, Story-problem-solving envi-

roment (SPSE)– en la esquina superior derecha de la figura 13. Éste

es el problema que se ha clasificado como un problema bidimensio-

nal de velocidad constante. El problema permanece siempre en la

ventana de la parte superior derecha para que el estudiante pueda

ir adelante y atrás pasando de una representación a otra.

3.1.4. Identificador del conjunto

Como hemos dicho antes, para construir una representación interna del

problema, los estudiantes deben construir un modelo conceptual interno

del mismo. Este modelo consiste en los conjuntos importantes que lo

configuran. Analizar cualquier problema matemático requiere identifi-

car los conjuntos que son importantes para la solución del problema y

asignarles un valor (Briars y Larkin, 1984; Riley y Greeno, 1988). Com-

pletar y asignar valores a estas proposiciones promueve la construcción

de distintos modelos para cada tipo de problema (Mayer, 1982).

Para usar el identificador del conjunto, el estudiante subraya las en-

tidades y sus cantidades en el espacio del problema verbal en la es-

Figura 13. Entorno de solución de problemas matemáticos en el campo de la física.


66

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

quina superior derecha de la figura 13 y traslada cada valor del

problema al identificador del conjunto. De manera automática, se

crea un conjunto, que consiste en tres cajas más pequeñas. El estu-

diante debe identificar el objeto, la cantidad y las unidades que des-

criben el objeto. En la figura 14 se han identificado tres conjuntos

(velocidad inicial, ángulo de proyección y lanzamiento).

3.1.5. Modelo estructural

Los principios subyacentes de la física, como en todos los campos,

pueden predecirse por las relaciones causales entre conceptos. En fí-

sica, cada tipo de problema tiene un modelo estructural que repre-

senta una combinación distinta de entidades interrelacionadas

mediante formas únicas.

Una vez seleccionado el tipo de problema e identificados los conjun-

tos, el estudiante traslada y lanza los conjuntos desde el identificador

del conjunto hasta el modelo estructural (titulado “Determinar rela-

ciones causales”, parte superior izquierda en la figura 14). El modelo

describe los componentes causales y estructurales del problema.

Aunque se parecen al tipo de estructuras de conocimiento que Bag-

no, Eylon y Ganiel (2000) usaban para demostrar estructuras de co-

nocimiento experto, estos modelos se centran en la descripción de

relaciones causales entre componentes del problema. Los estudian-

tes, en este problema, han de ir arrastrando de velocidad inicial a ve-

locidad inicial sucesivamente. Si arrastran y dejan un conjunto en un

elemento equivocado del modelo estructural, aparece un cuadro ex-

plicatorio. Aunque este paso puede parecer redundante, sirve para

poner énfasis en las relaciones conceptuales del problema antes de

mapear los valores en fórmulas. ¿Por qué es importante? Ploetzner,

Fehse, Kneser, y Spada (1999) demostraron que al solucionar pro-

blemas matemáticos en física, las representaciones cualitativas del

problema son necesarias para aprender representaciones cuantitati-

aaa“Una persona que trabaja en problemas de física debe

poder reconocer las estructuras subyacentes de los pro-

blemas, generar representaciones adecuadas para el

descubrimiento de soluciones y hacer inferencias de es-

tas representaciones.” (Anzai, 1991, p. 83)

67


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

vas. Por lo tanto, los estudiantes deberían mapear valores de los pro-

blemas y convertirlos en representaciones cualitativas (causales) del

problema antes de mapear los valores y convertirlos en fórmulas.

Otro motivo para mapear entidades en un modelo estructural es

que los estudiantes muy pocas veces reconcilian los modelos es-

tructurales y situacionales del problema (estos últimos descritos a

continuación). Así, en el ESPM son adyacentes, y el hecho de per-

mitir al estudiante comparar y contrastar los modelos situaciona-

les y estructurales aportará un modelo mental más rico del tipo de

problema. Los que mejor solucionan los problemas matemáticos

son aquellos capaces de integrar los modelos situacionales y es-

tructurales, porque ambos son importantes para la solución de

problemas.

3.1.6. Constructor de ecuaciones

A partir del modelo estructural, los estudiantes asignan valores de

este modelo a la ecuación, utilizando el constructor de ecuaciones (fi-

gura 13). Para utilizar el constructor de ecuaciones, hay que arrastrar

los valores desde el modelo estructural hasta el espacio de la ecua-

ción, cancelar y reorganizar las variables. Una vez completada la

fórmula, hay que hacer clic encima del botón de calcular.

Figura 14. Prototipo de entorno para la solución de problemas matemáticos en el campo de la física.


68

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Para comprobar la exactitud de los valores y de la fórmula, un mapa

de vector animado hará aparecer los resultados en la ventana de So-

lución de la serie. Nathan, Kintsch, y Young (1992) demostraron que

los estudiantes que veían resultados animados sobresalían por encima

de los que tenían un entorno inanimado, y reconocían una solución

correcta, generaban ecuaciones a partir de textos y diagnosticaban

errores.

3.1.7. Modelo situacional

Los estudiantes visualizan el modelo situacional (llamado “Visualizar

problema”, en las figuras 12 y 13). Aunque muchos psicólogos creen

que las características superficiales del problema sólo distraen a los

estudiantes y les impiden entender la estructura más profunda del

problema, hay otros que creen que aquellos que solucionan proble-

mas de una manera eficaz reúnen las restricciones cuantitativas ba-

sadas en un contexto situacional (Briars y Larkin, 1984). Muchos

modelos cuantitativos (fórmulas) pueden mapearse fácilmente y con-

vertirse en estructuras de historias. Por ejemplo, los problemas de

movimiento y de trabajo compuestos tienen distintos acontecimientos

como viajar en direcciones opuestas, andar juntos o subir a un auto-

bús, con el resultado y el tiempo como dimensiones básicas que or-

ganizan la historia. Los estudiantes realizan inferencias constructivas

basadas en modelos situacionales. Blessin y Ross (1996) demostra-

ron los efectos positivos del contenido situacional en la solución de

problemas y la clasificación de problemas por parte de personas con

experiencia (estudiantes universitarios). El contenido situacional tam-

bién tiene mucho valor porque afecta al acceso a esquemas de pro-

blemas mentales internos. Muchas veces, los expertos basan sus

categorizaciones en el contenido superficial (Novick, 1988).

Cuando el estudiante soluciona el problema, el modelo situacional

cubre el sistema de referencia por encima de la visualización a causa

de la importancia que tienen los problemas de cinemática a la hora

de determinar el sistema de referencia y su origen (figura 13).

3.1.8. Ejemplos trabajados

La instrucción consiste en ejemplos trabajados que utilicen el entorno

ESPM para ilustrar cómo hay que resolver como mínimo tres proble-

69


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

mas por cada tipo antes de dejar practicar a los estudiantes. Los

ejemplos trabajados de las soluciones de problemas anteriores a la

práctica mejoran la solución de problemas basados en la práctica,

porque reducen la carga cognitiva y ayudan a los estudiantes a cons-

truir esquemas de solución de problemas (Cooper y Sweller, 1987;

Sweller y Cooper, 1985).

3.1.9. Asuntos de la práctica

Otro componente esencial de cualquier instrucción para resolver

problemas narrados es la oportunidad de practicar las habilida-

Ejemplo

En el ESPM, un agente pedagógico animado (Lester,

Stone, y Stelling, 1999, no se muestra en la figura 12 o

13) investigará, como mínimo, dos ejemplos de cada

tipo de problema. El agente lee primero la representa-

ción del problema verbal en el ESPM, buscando pistas

que ayuden a clasificar el tipo de problema (en nuestro

ejemplo, constante). Entonces elige el tipo de problema.

El agente planea la solución identificando explícitamente

los subproblemas requeridos. Aclarar la estructura de

subobjetivos en ejemplos trabajados mejora de forma

significativa la realización (Atkinson, Derry, Renkl, y Wor-

tham, 2000). Los subproblemas se añaden al cuadro “So-

lución del Plan” a medida que se va realizando. Por

ejemplo: 1) eslegir punto de origen; 2) elegir sistema de

referencia (eje x y eje y); 3) determinar el tiempo en el aire

(velocidad inicial + cuánto se mueve en el eje y); 4) deter-

minar la extensión del movimiento de proyección en el eje

x. El agente identifica los conjuntos requeridos para el

problema en el identificador de conjuntos, los mueve ha-

cia el modelo estructural y entonces mapea los valores y

los convierte en fórmula en el constructor de ecuaciones.

También efectúa una comprobación de unidades y hace

una estimación del tamaño de la pregunta. Entonces so-

luciona la fórmula y compara el resultado con la estima-

ción. Realizar esta demostración con otros dos problemas

más complejos prepara al estudiante para completar los

asuntos de la práctica.


70

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

des adquiridas en el entorno. La práctica de problemas debería

presentarse al estudiante como se ilustra en los ejemplos trabaja-

dos, que deberían ser similares a cómo se presentan en la evalua-

ción. Los estudiantes pueden revisar los ejemplos trabajados.

Normalmente, suelen tener éxito a la hora de relacionar los pro-

blemas prácticos con los ejemplos, y prefieren el ejemplo comple-

jo como modelo (Reed, Willes, y Guarino, 1994). De forma

similar, se permite que utilicen la misma interfaz ESPM que se usó

para los ejemplos y así pueden usar este recurso hasta que tengan

más experiencia. Los estudiantes recibirán cuadros explicativos

durante las sesiones prácticas. Si identifican el tipo de problema

correcto, identifican y colocan los conjuntos del problema de for-

ma correcta en las representaciones correctas del problema, o si

hacen estimaciones razonables de la solución del problema, reci-

birán cuadros explicativos sobre estas actividades.

3.1.10. Instrucción de contenido

Mientras clasifica el tipo de problema mediante la tipología descrita

en la figura 13 o en cualquier otro momento en los ejemplos traba-

jados o fases de práctica, el estudiante puede hacer doble clic en

cualquiera de los componentes del modelo estructural y hacer que el

agente presente la actual instrucción conceptual del problema. En

este entorno, la instrucción del contenido se proporciona a solicitud,

utilizando el enfoque de enseñanza justo a tiempo (Novak, Patterson,

Gavrin, y Christianson, 1999).

3.1.11. Resumen

Una revisión amplia del trabajo empírico y teórico en el que se basa

este modelo iría más allá del objetivo de este módulo. Otros investi-

gadores han desarrollado entornos que cumplen algunas de estas

funciones de instrucción de este modelo.

Ejemplo

Por ejemplo, el Solucionador de Problemas Matemáti-

cos (SPM) (Marshall, 1995) y el entorno TiPS (Derry y

Grupo de Investigación TiPS, 2001) representan pro-

blemas en modelos estructurales para desarrollar y so-

71


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Diversos atributos convierten en único el entorno que acabamos

de describir. No hay ningún otro entorno que haya intentado in-

tegrar las representaciones estructurales y situacionales del pro-

blema. Aunque el SPM y el TiPS requieren que el estudiante

identifique el tipo de problema, su proceso de selección no impli-

ca elegir entre una tipología de los mismos. Además, el proceso

de razonamiento necesario para resolver el problema matemático

está fijado en la estructura del entorno. Los estudiantes deben cla-

sificar el tipo de problema, identificar conjuntos importantes de la

representación de éste y mapearlo en un modelo estructural antes

de mapear los valores en una fórmula. La diferencia más notable

entre este modelo y los otros es quizá que funciona como un mo-

delo genérico para la construcción de entornos en línea mediante

campos de temas. Los otros intentos se han centrado en proble-

mas individuales o pequeñas clases de problemas. El objetivo del

modelo de diseño es que funcione como una arquitectura para los

entornos en línea de problemas matemáticos. Así, los problemas

matemáticos en otros campos pueden utilizar el mismo entorno y

la misma estructura que acabo de describir. Los problemas serán

distintos, pero la estructura del entorno será la misma.

Como se ha descrito anteriormente, la resolución de dificultades

eficaz requiere conocimiento de sistema, conocimiento procedi-

lucionar problemas aritméticos. Ellos asumen, como

yo, que las representaciones cualitativas de los proble-

mas son necesarias para aprender representaciones

cuantitativas (Ploetzner, Fehse, Kneser, y Spada, 1999).

También creen que las estructuras del problema va-

rían entre los tipos de problemas y determinan los

procedimientos necesarios para resolverlos. Otros en-

tornos, como ANIMATE (Nathan, 1998), representan

el modelo situacional del problema mediante anima-

ciones, mapeando éstas en una ecuación que permite

solución.

3.2. Problemas de resolución de dificultades


72

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

mental y estratégico, además de las clases de conocimiento que

las experiencias del solucionador de dificultades han anclado y

organizado. La diferencia fundamental entre los solucionadores

expertos y los principiantes es su nivel de experiencia. La resolu-

ción de dificultades o averías se basa en el conocimiento experi-

mental, que es exactamente del que carecen los principiantes.

Desde los técnicos con experiencia hasta los físicos indexan su co-

nocimiento en experiencias de resolución de dificultades. A menu-

do pueden reutilizar problemas, que ya han mediado muchos

años antes, con una agudeza extraordinaria. Los problemas que

recuerdan con más precisión y exactitud son los que fueron más

difíciles de resolver, porque la persona estuvo conceptualmente

más implicada en el proceso. Por lo tanto, enseñar a resolver di-

ficultades a los principiantes requiere que descubran el máximo

número de problemas posible para ganar conocimiento experi-

mental que integrará el conocimiento conceptual, procedimental

y estratégico necesarios para la resolución de dificultades.

Ejemplo

La figura 15 ilustra un modelo de diseño para la

construcción de entornos de aprendizaje de este tipo

(TLE). El modelo asume que la forma más efectiva

para aprender a solucionar dificultades son los pro-

blemas del tipo que estamos describiendo. Aprender

a resolver dificultades requiere presentar a los estu-

diantes los síntomas de problemas nuevos para que

los solucionen. Los componentes más importantes de

los TLE son una biblioteca de casos de problemas ya

resueltos, un solucionador de dificultades que permi-

ta al estudiante practicar la resolución y un modelo

conceptual rico del sistema que se debe solucionar o

descubrir. El modelo conceptual impulsa la construc-

ción del conocimiento de sistemas; el solucionador

de dificultades promueve la construcción del conoci-

miento procedimental y estratégico, y la biblioteca o

archivo de casos, la construcción del conocimiento

experimental que integra las otras clases de conoci-

miento.

73


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

3.2.1. Modelo conceptual

El entorno de resolución de dificultades se orienta mediante un mo-

delo conceptual del sistema de descubrimiento o resolución. Este

modelo ilustra la interconexión entre los componentes del sistema. Es

decir, ¿cuáles son todos los componentes y subsistemas del sistema

en el que sucede el problema? ¿Cómo influyen unos sobre otros?

3.2.2. Localizador de dificultades o averías

El centro del TLE (siglas de troubleshooting learning environment, o en-

torno de aprendizaje de resolución de dificultades) es el localizador de

dificultades (véase la figura 16). Es aquí donde el estudiante actúa

como si fuera un localizador de dificultades con experiencia, resolvien-

do casos nuevos. Después de escuchar una explicación sobre el pro-

blema automotor que describe los síntomas que mostraba el coche

justo antes de pararse, el aprendiz (como un localizador de dificulta-

des experimentado) elige primero una acción del menú para bajar a

la izquierda de la pantalla, como cuando se pide una comprobación,

se comprueba una conexión o se intenta una estrategia de reparación.

Se puede enseñar al principiante qué acción basada en la sintomato-

logía hay que escoger primero, o también puede él o ella escoger

cualquier acción. Cada movimiento que haga el localizador aparece

en el modelo del sistema. Después de cada movimiento del estudiante,

el localizador de dificultades pide al estudiante que explique o elija la

hipótesis falsa que está intentando demostrar, mediante el menú para

Figura 15. Modelo para diseñar un entorno de aprendizaje de resolución de dificultades.


74

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

bajar situado a la derecha del menú de acción. Ésta es una forma im-

plícita de argumentación. Se trata de exigir al estudiante que justifique

sus acciones. Si la hipótesis no se corresponde a la acción (si ha sido

determinada levantando y comprobando las etiquetas), entonces apa-

recen explicaciones sobre el motivo de tomar aquella decisión. Segui-

damente, el estudiante debe identificar el subsistema en el que ocurre

el fallo. Si éste no corresponde a la acción, el estudiante regresa otra

vez al modelo conceptual para entender mejor el funcionamiento del

subsistema que lleva a la acción o a la hipótesis. El estudiante recibe

entonces el resultado de la acción (por ejemplo, resultados de exáme-

nes, información del sistema, etc.) a la derecha del subsistema y debe

interpretarlos utilizando el menú para bajar de la derecha del locali-

zador de dificultades. Si la interpretación no corresponde a la acción,

hipótesis o subsistema, aparece un mensaje de error. La comproba-

ción de errores utiliza un sistema de evaluación muy sencillo.

El localizador (véase la figura 16) exige al estudiante que piense y ac-

túe como un localizador de dificultades con experiencia. El entorno in-

tegra las acciones de resolución de problemas, los tipos de

conocimiento (conceptual, estratégico y procedimental) y el modelo de

sistemas conceptuales con una base de datos de los fallos que han te-

nido lugar en el sistema que el estudiante y otras personas han solu-

cionado. Los ejemplos trabajados proporcionan la instrucción inicial

sobre cómo usar el sistema. A medida que los estudiantes van solucio-

nando problemas, los resultados de sus casos prácticos pueden aña-

dirse a su archivo de casos de situaciones falsas, para que el

estudiante pueda aprender de sus propias experiencias personales.

En cualquier punto del proceso de aprendizaje, el estudiante o loca-

lizador de dificultades puede acceder a una instrucción justo a tiem-

po sobre cómo llevar a cabo la acción (por ejemplo, test electrónico,

comprobación de síntomas) o los resultados multimodales de esta

acción. Jonassen y Henning (1999) observaron que los técnicos de

refrigeración se basan muchas veces en distintas modalidades a la

hora de hablar de máquinas y herramientas. Normalmente, ponen

las manos en los tubos para ver la temperatura, escuchan el sonido

de un compresor, buscan manchas de aceite en el suelo o interac-

túan con la pantalla del ordenador. En definitiva, se comunican a

través de impresiones del sentido, lo que los técnicos llaman conoci-

miento “táctil-sensorial”.

75


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

3.2.3. Biblioteca o archivo de casos

Si el localizador de dificultades se encuentra en el corazón del TLE, el ar-

chivo o biblioteca de casos se encuentra a la cabeza (memoria) del TLE.

El discurso es esencial para negociar problemas, soluciones o significa-

Figura 16. Arquitectura del localizador de dificultades.


76

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

dos de manera social. En las situaciones de resolución de dificultades de

contextos diarios, el medio principal de negociación son las historias. Es

decir, cuando un localizador tiene un problema, normalmente lo descri-

be a alguien que puede recordar de memoria un problema similar, y

cuenta su experiencia al localizador de dificultades. Las historias apor-

tan información contextual, funcionan en formato de diagnosis y tam-

bién expresan una identidad entre los participantes de cualquier tipo de

comunidad. Las historias sobre cómo han solucionado los localizadores

problemas o averías similares se introducen, se indexan y se ponen a

disposición de los estudiantes en una biblioteca o archivo de casos (que

también se conoce como base de datos falsa).

La biblioteca de casos o base de datos falsa debe contener historias de

tantas experiencias de resolución de dificultades como sea posible.

Cada caso representa una historia de un ejemplo específico de un cam-

po. Estos archivos, que se basan en principios del razonamiento basado

en casos, representan la forma más importante de apoyo instruccional

para los problemas mal estructurados como los de resolución de dificul-

tades (Jonassen y Hernandez-Serrano, 2002). Se indexa cada caso o

historia según su fallo del sistema, el sistema o subsistema en el que ocu-

rrió el fallo y los síntomas del fallo que son similares a los del locali-

zador de dificultades. También están recogidos el modo de avería y

las hipótesis o estrategias aprendidas a partir de la experiencia. El ar-

chivo representa, pues, el conocimiento experimental de centenares

de localizadores de dificultades experimentados potenciales. ¿Por

qué? Porque los localizadores almacenan casi siempre su conoci-

miento de problemas y soluciones a partir de sus experiencias. Es este

conocimiento experimental del que precisamente carecen los estudian-

tes. De este modo, cuando se encuentran con una dificultad o no están

seguros de cómo actuar, pueden acceder al archivo y observar en casos

similares qué caminos se siguieron y con qué resultados. El TLE también

puede programarse para acceder de forma automática a una historia

importante en cuanto el estudiante comete un error, ordena una prueba

inadecuada o lleva a cabo alguna acción que demuestra su falta de

comprensión. Las historias se almacenan de una forma sencilla, presen-

tando un problema a los localizadores experimentados y pidiéndoles si

recuerdan algún problema semejante que ya hayan solucionado. Siem-

pre los recuerdan, sin excepción. Hernandez-Serrano y Jonassen (2003)

han demostrado que el acceso a un archivo de casos durante el apren-

dizaje de solución de problemas mejora la resolución de problemas

complejos en un examen.

77


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

3.2.4. Ejemplos trabajados

De una forma similar al aprendizaje de resolución de problemas

matemáticos narrados, mediante ejemplos trabajados también se

introduce a los estudiantes a la resolución de dificultades, la bi-

blioteca de casos y el modelo conceptual. Estos ejemplos no sólo

ilustran cómo usar el TLE, sino que también construyen modelos

de distintas estrategias de resolución de dificultades (por ejemplo,

la división del espació para aislar el subsistema erróneo antes de

hacer ninguna comprobación). Si el TLE es en línea, aparece un

agente pedagógico animado (Lester, Stone, y Stelling, 1999) que

trabaja como mínimo dos ejemplos de cada tipo de problema. El

agente lee la representación del problema en el TLE, construye

modelos de estrategias, por ejemplo mediante la búsqueda de

pistas o el rechazo de las hipótesis menos probables antes de usar

el localizador de dificultades. El agente también puede construir

un modelo sobre cómo conseguir el máximo beneficio del modelo

conceptual y la biblioteca de casos.

3.2.5. Temas de práctica

La práctica consiste en utilizar el localizador de dificultades para so-

lucionar problemas nuevos. Durante la práctica, se presentan nuevos

problemas al estudiante, que utiliza el localizador para aislar el caso.

Si quiere, también puede acceder al modelo conceptual o al archivo

de casos. No se conoce exactamente el número de prácticas necesa-

rias para desarrollar distintos niveles de habilidad de resolución de

dificultades. Ello dependerá de la complejidad del sistema de reso-

lución de dificultades, de las habilidades y disposiciones de los estu-

diantes y de una multitud de otros factores.

Vale la pena remarcar que todos los movimientos que haga el es-

tudiante durante la práctica (acciones en el localizador, acceso a

la información del modelo conceptual o a los casos del archivo)

pueden servir para ayudar a mejorar su comprensión y sus habi-

lidades de resolución de dificultades. El objetivo de esta evalua-

ción puede ser valorar el proceso durante el aprendizaje o

simplemente ver si el estudiante se implica mentalmente en el pro-

ceso de aprendizaje.


78

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Los problemas de análisis de casos/sistemas son complejos, ambi-

guos y están muy mal estructurados. Como tales, representan la

antítesis de buena parte de la educación formal, que se centra en

respuestas correctas y en encontrar la verdad. Analizar y tratar de

resolver estos problemas es un reto para muchos estudiantes (desde

la guardería hasta la edad adulta), por muchas razones. Los guio-

nes que los estudiantes siguen para “hacer escuela” tienen rutinas

claramente establecidas. El profesor/monitor les dice lo que debe-

rían saber, los estudiantes intentan saberlo y el profesor/monitor

valora si lo saben bien. Sin embargo, los problemas de análisis de

casos a menudo presentan fenómenos desconocidos que deben

negociarse y co-construirse socialmente. No existe en ningún caso

una simple perspectiva que represente la verdad. Solucionar este

tipo de problemas requiere que el estudiante asimile la ambigüe-

dad. Sin embargo, la tolerancia a la ambigüedad no abunda entre

profesores y estudiantes. ¿Por qué? Está relacionada con sus creen-

cias epistémicas, es decir, lo que las personas creen que significan

el conocimiento, la verdad y el aprendizaje. Las personas desarro-

llan sus creencias a partir de un pensamiento simple, blanco o ne-

gro, que a través de una exploración de perspectivas múltiples se

convierte en un pensamiento relativista complejo. Los fundamentos

epistemológicos para la educación son los que Baxter-Magolda

(1987) llama saber absoluto, en el que los individuos creen que el

conocimiento y la verdad son verdaderos y que las autoridades de-

berían ofrecerlos. Solucionar problemas de análisis de casos re-

quiere un conocimiento transicional (el conocimiento es

parcialmente verdadero y requiere comprender mediante la lógica,

el debate y la investigación), un conocimiento independiente (el co-

nocimiento no es verdadero y requiere pensar libremente y ser

abierto), y un conocimiento contextual (el conocimiento se basa en

las pruebas adquiridas en un contexto). El hecho de que la mayoría

de estudiantes sean pensadores absolutos hace que para ellos los

problemas de análisis de caso sean un reto importante, porque no

tienen ninguna respuesta correcta. A pesar de ello, si no se enfren-

tan nunca a problemas de análisis de casos mal estructurados, pro-

bablemente no llegarán a desarrollar habilidades de pensamiento

contextual o independiente. Por lo tanto, exponerse a la ambigüe-

dad es una experiencia de aprendizaje.

3.3. Problemas de análisis de casos/sistemas

79


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

La figura 18 muestra un modelo para diseñar un entorno de apren-

dizaje de análisis de casos. A continuación, describiré cada uno de

los componentes de este entorno.

3.3.1. Representación de problemas

La representación de problemas es un tema complejo; los problemas

de análisis de casos (como todos los problemas mal estructurados)

dependen más de un contexto que los bien estructurados; por eso es

necesario desarrollar un entorno más auténtico y ubicado (Voss,

1988). Si el pensamiento de análisis de casos viene muy determina-

do por el contexto y el campo que representa, es importante describir

de forma adecuada el contexto social, político y organizacional del

problema. Por esta razón lo que hay que llevar a cabo es un análisis

contextual. ¿Cuál es la naturaleza del campo? ¿Cuáles son las res-

tricciones que impone el contexto? También debemos preguntarnos

qué tipo de problemas se solucionan en este campo y qué restriccio-

nes contextuales afectan al problema.

Figura 17. Modelo para un entorno de solución de problemas de análisis de casos/sistemas.


80

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Los problemas de análisis de casos se representan muchas veces a

partir de historias. Las historias se entienden y se recuerdan mejor y

son más empáticas que las representaciones didácticas de los pro-

blemas. El siguiente extracto está sacado de un entorno de aprendi-

zaje de análisis de casos que desarrollamos en Sociología del

bienestar. Esta historia concreta introduce el problema del ciclo de

bienestar (buscar asistencia, ayuda y bienestar en el trabajo). El pro-

blema está relacionado con la manera de ayudar a las personas con

el ciclo de bienestar en el trabajo. Otro objetivo principal del entorno

es que los estudiantes culturalmente aislados de una gran universi-

dad pública evoquen respuestas empáticas.

Caso práctico

martes, 2 de febrero, 1999

Me llamo Tiffany y estoy viajando hasta Lewistown con

mi hija Stephanie. Stephanie va a cumplir cinco años

dentro de poco. La tuve cuando tenía dieciocho años.

Mi casa y mis amigos están en Detroit, pero yo no pue-

do quedarme más. Entré a formar parte de una banda

de allí, vendiendo drogas y traficando, y tardé cinco

años en darme cuenta de que ya no quería vivir así. Ro-

baba y hacía cosas que nunca creí que fuera capaz de

hacer. Quiero a mi hija y ahora sé que le haría daño si

me quedo allí.

Cuando uno ha hecho y ha visto lo que yo, no tiene

sentido dejarlo a no ser que estés preparado para ello.

Así que me voy, sin dinero, sin ayuda de nadie. Sólo

Stef y yo. Sí, ésta ha sido mi “Navidad Feliz”. Estoy bus-

cando a mi madre biológica. Sé que cuando yo nací,

ella vivía en Lewistown, Pennsylvania, pero ya ha pasa-

do mucho tiempo. Tengo una dirección del año 1992.

Nunca antes la he visto y no sabe que voy hacia allí. No

tengo ningún otro lugar adonde ir, pero no puedo que-

darme en Detroit, ni hablar. Estoy casi de ocho meses.

Voy a pedir ayuda en cuanto llegue, por el bien de mis

hijos.

81


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Representar problemas de análisis de casos en forma de historias no

es suficiente para hacer que el estudiante desarrolle la clase de pen-

samiento necesario para resolverlos. Además, es igual de importante

o más que los estudiantes tengan una tarea concreta y real para re-

solver. En el problema de asistencia social que acabamos de descri-

bir, pedimos a los estudiantes que aconsejaran a la mujer que quería

pasar de la asistencia social al trabajo. Su consejo no sólo debía ser

legalmente correcto (los estudiantes se frustraron por la complejidad

de formas y procedimientos de los papeles que los perceptores de-

bían rellenar), sino también empático.

La actividad debe ser también bastante específica. Un problema de

análisis de política exterior en el Próximo Oriente puede requerir que

los estudiantes actúen como si fueran analistas de política exterior

para el departamento de Estado, donde deben recomendar acciones

políticas concretas al secretario de Estado sobre si los palestinos de-

miércoles, 3 de febrero, 1999 (17:30h)

Stephanie nunca había viajado en un autocar. Un viaje

de 24 horas casi le ha quitado todo su entusiasmo, pro-

brecita. Gracias a Dios se ha dormido. Dejamos la es-

tación de la calle Howard en Detroit a las 10 de la

noche anterior y hemos llegado a las 17:15 de hoy.

Con este maldito tiempo pronto va a ser de noche. No

hemos comido desde que nos terminamos todos los

snacks. Dios, el olor de esta parrilla me está volviendo

loca. ¿Qué he hecho? ¡El billete me ha costado $59!

Quizás debería haber guardado mi dinero.

No tengo ni idea de adónde ir. En el número que tengo

de mi madre no contesta nadie. No tengo ni un dólar

en moneda para el teléfono. Treinta dólares, mi hija y

esta bolsa vieja de playa con su ropa, algunos muñecos

y algo para mí es todo lo que tengo. Y, Dios, este sitio

apesta, y hace frío. Sé que tengo que buscar ayuda.

Este número no contesta. No hay contestador. A lo me-

jor no es ni un número... Se está haciendo tarde, ¿qué

vamos a hacer?


82

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

berían tener un estado independiente. Es decir, debería haber una

especie de resultado concreto (consejo) asociado a la actividad: no

sólo un informe, sino un informe con puntos de acción concretos.

Esto no quiere decir que sea imprescindible dar un consejo, sino que

debe hacerse en forma de consejo. Un problema de análisis de casos

sobre el sistema político de Noruega debería requerir recomendacio-

nes sobre cómo construir las coaliciones parlamentarias necesarias

para aprobar una ley sobre la construcción de una planta eléctrica

de gas. Cuantos más objetivos tenga la actividad, más atractiva será.

Este mismo entorno, con todos sus sistemas de apoyo, puede ser al-

terado si vuelve a definirse la actividad. También se puede asignar a

algunos estudiantes un entorno para crear una coalición que frene

la construcción de la planta de gas. La única diferencia es la activi-

dad, pero el resto del entorno puede ser el mismo o muy similar. En

otro entorno diseñado para un curso de geografía centrado en el uso

de mapas (figura 18), proporcionamos a los estudiantes un contrato

del Ministerio de Transporte para que eligieran una ruta alternativa

que evitara una de las intersecciones de autopistas peor diseñadas

de la historia.

Figura 18. Problema de tráfico.

83


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Los estudiantes debían reconciliar las opiniones de los motoristas, los

comerciantes, los habitantes y los burócratas utilizando los mapas de te-

rreno, así como mapas topográficos, aéreos y de parcelas para encon-

trar la solución más eficiente, eficaz y aceptable al problema. Está claro

que no existe ninguna solución absolutamente correcta, sólo hay solu-

ciones mejores y peores. La actividad debe ser lo más real posible y estar

bien circunscrita. Muchas veces, la solución de problemas en clase no

tiene éxito porque las actividades son muy difusas. Se pide a los estu-

diantes que analicen políticas o principios. ¿Por qué? Si los estudiantes

no perciben un objetivo significativo para la solución del problema, es

poco probable que se sumerjan en él o en las soluciones de éste.

3.3.2. Herramientas de representación de problemas

Anteriormente he descrito las formas de representación de los pro-

blemas dirigidas a los estudiantes, incluyendo el formato narrativo y

las actividades reales y concretas. Cabe remarcar que la manera

como se plantean los problemas a los estudiantes en el enunciado

afecta a la representación mental que se hacen de los problemas que

intentan resolver. Éste es el objetivo: conseguir que los estudiantes

construyan un modelo conceptual significativo de los problemas que

intentan resolver. Sin embargo, esta representación del problema

sólo es una de las fuentes de influencia. El modelo para implicar a

los estudiantes en los problemas de análisis de casos requiere el uso

de herramientas para que los estudiantes construyan su propia re-

presentación externa de los problemas. El modelo de dinámicas de

sistemas de la población fumadora en la figura 19 representa el tipo

de herramienta de representación de problemas que puede usarse

para representar cualquier tipo de problemas de análisis de casos.

Este modelo (producido con Stella) representa las relaciones dinámicas

entre distintos factores que afectan a la población. Si la tarea del estu-

diante fuera reducir el número de fumadores en la población de Estados

Unidos para reducir los gastos sanitarios, los estudiantes podrían empe-

zar construyendo un modelo de este tipo. Las herramientas de dinámi-

cas de sistemas permiten que los estudiantes añadan o quiten factores y

comprueben los resultados de los cambios efectuados en estos factores.

También pueden comprobar sus modelos cambiando los valores de los

parámetros y viendo los resultados. La figura 20 muestra el resultado

del modelo con la contribución extra de la campaña antitabaco. Los re-


84

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

sultados de estos modelos también pueden usarse como información

para apoyar los argumentos de los estudiantes (descritos más adelante).

Figura 19. Modelo de dinámicas de sistemas de la población fumadora.

Figura 20. Resultado del modelo de dinámica de sistemas.

85


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

3.3.3. Generar opciones de solución: acomodar perspectivas múltiples

He descubierto que la teoría de la flexibilidad cognitiva es uno de

los mejores modelos para facilitar el estudio de múltiples perspec-

tivas, un proceso esencial para resolver problemas de análisis de

casos y para llegar a ser un estudiante maduro epistémicamente

(Spiro y Jehng, 1990). Esta teoría subraya la interrelación concep-

tual de ideas y su interconexión. Los entornos de flexibilidad cog-

nitiva representan intencionadamente múltiples perspectivas o

interpretaciones del contenido en los casos utilizados para ilustrar

el campo de contenido. La mala estructuración de cualquier cam-

po de conocimiento se ilustra mejor con múltiples perspectivas o

temas que se encuentran inherentes en los problemas representa-

dos. Hemos usado hipertextos de flexibilidad cognitiva en un en-

torno sobre temas de biodiversidad, uso de la tierra y estilos de

control y resolución de conflictos a medida que han ido apare-

ciendo en la controversia surgida tras la reintroducción del lobo

gris mexicano en las áreas salvajes del suroeste americano. El en-

torno de reintroducción del lobo (véase la figura 21) permite que

el estudiante examine el tema de la reintroducción desde una

perspectiva de una docena de personas afectadas por los lobos,

incluyendo rancheros y defensores del medioambiente. También

identificamos diversos problemas temáticos interconectados con

sus comentarios, incluyendo control local frente a control nacional

de la tierra, consumo frente a conservación, cooperación frente a

cooptación. Para llegar a un juicio sobre la continuación de la

práctica, los estudiantes tuvieron que entender y reconciliar estos

puntos de vista. Es esencial que entiendan las distintas perspecti-

vas que complican los problemas de análisis de casos para gene-

rar y evaluar las distintas soluciones.

3.3.4. Argumentación

Como hemos afirmado antes, los problemas mal estructurados tie-

nen una naturaleza dialéctica en la cual se utilizan dos o más con-

ceptualizaciones opuestas del problema (diferentes espacios del

mismo) para apoyar distintos argumentos con presunciones opuestas

subyacentes (Churchman, 1971). Por lo tanto, es importante que los

estudiantes sean capaces de articular las distintas concepciones de-


86

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

fendiendo argumentos para la solución que ellos proponen. El argu-

mento aporta la mejor prueba del conocimiento dominante que

pueden haber adquirido. El desarrollo de argumentos lógicos para

apoyar un pensamiento divergente [juicio reflexivo (Kitchner y King,

1981)] no sólo lleva a una cognición y metacognición del proceso

utilizado para resolver el problema, sino también a una conciencia

de la naturaleza epistémica del proceso y de la verdad o valor de las

distintas soluciones (Kitchner, 1983). En el entorno de geografía,

existen distintas carreteras posibles que pueden escogerse y muchas

razones para escoger una de ellas. Exigir a los estudiantes que desa-

rrollen un argumento para su elección es equivalente a solucionar

problemas.

Es decir, aporta datos de evaluación muy útiles para ayudar al pro-

fesor a determinar qué sabe el estudiante. Se puede entrenar y ayu-

dar a recordar mediante una serie de preguntas o apuntes de juicio

reflexivo (Kitchner y King, 1981), como los siguientes:

• ¿Podéis llegar a estar seguros de que vuestra posición es correc-

ta? ¿Llegaremos a saber cuál es la posición correcta?

• ¿Cómo habéis llegado a esta opinión? ¿En qué la basáis?

Figura 21. Entorno de reintroducción del lobo.

87


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

• Cuando las personas difieren en temas como éste, ¿es porque al-

guien tiene la razón y los otros están equivocados? ¿Hay una opi-

nión que sea peor y las otras mejores?

• ¿Cómo es posible que las personas puedan tener puntos de vista

tan distintos?

• ¿Qué significa para vosotros que los expertos no se pongan de

acuerdo en este tema?

89


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

La argumentación no es sólo una habilidad cognitiva esencial; es

algo endémico en nuestra cultura. Neil Postman (1995) observa que

la Declaración de Independencia se compuso en forma de argumen-

to. La Constitución también es un argumento fundado con la creen-

cia de que cada persona debería tener el derecho a defender

libremente su postura.

4. Argumentación mediante la tecnología para apoyar la resolución de problemas

aaa“Probablemente en la argumentación es donde pode-

mos encontrar de forma más significativa el pensa-

miento y razonamiento de mayor nivel que pueden

desarrollar la mayoría de personas. El pensamiento ar-

gumentativo forma parte de las creencias de las perso-

nas, de sus juicios y de las conclusiones a las que

llegan, y aparece en cada decisión importante que de-

ben tomar. Así pues, el pensamiento argumentativo se

encuentra en el centro de lo que debería valorarse a la

hora de examinar cómo y hasta qué nivel piensan las

personas.” (Kuhn, 1992, pp. 156-157)

aaa¿Qué es un argumento? Aunque su significado cotidia-

no implica un conflicto o confrontación entre personas,

un argumento intelectual consta necesariamente de

dos partes: una premisa y una conclusión. Normal-

mente se expresan en forma de si (como, por el hecho

de que) premisa, entonces (por lo tanto, por consi-

guiente) solución. “Como en el curso de Biología piden

más deberes que en cualquier otro, no deberías hacer-

lo”. Este argumento tiene una presunción escondida:

“el objetivo del estudiante es evitar el trabajo excesivo”.

Puede haber un contraargumento que afirme que “si


90

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

A pesar de su importancia, la mayoría de las personas no son

grandes expertos en la construcción de argumentos lógicos (Cer-

bin, 1988). Más concretamente, no utilizan advertencias para co-

nectar pruebas con sus afirmaciones (afirmación = la reducción

de impuestos aumentará los ahorros; advertencia = propensión

aaatrabajas más, aprenderás más,” seguido de “si en el

curso de Biología aprendes más, deberías hacerlo,”

asumiendo que “el objetivo del estudiante es aprender

lo máximo posible”.

Las habilidades de argumentación incluyen analizar

argumentos en un texto o en otros entornos de apren-

dizaje y también la habilidad de construir argumentos

(Marttunen, 1994). Los estudiantes preuniversitarios

normalmente no tienen muy desarrolladas estas dos

habilidades. Sin embargo, solucionar cualquier proble-

ma exige la construcción implícita o explícita de argu-

mentos. En otras palabras, la solución a un problema

es un argumento, es decir, solucionar un problema ne-

cesita de una argumentación. Cualquier solución a un

problema es una conclusión. La calidad de la solución

(conclusión) es una función de la validez de las premi-

sas. La argumentación es un proceso en el que se ha-

cen declaraciones (sacar conclusiones) y se da una

justificación (premisas) aportando pruebas a las decla-

raciones (Toulmin, 1958). La argumentación es un tipo

esencial de razonamiento informal fundamental para

la habilidad intelectual que interviene a la hora de so-

lucionar problemas, hacer juicios y tomar decisiones,

formular ideas y creencias (Kuhn, 1991). La argumen-

tación requiere que quien quiera solucionar un proble-

ma identifique varias perspectivas alternativas, puntos

de vista y opiniones; que desarrolle y elija una solución

razonable y preferible, y que apoye la solución con da-

tos y pruebas (Voss, Lawrence, y Engle, 1991). La argu-

mentación es una variable que predice el éxito del

estudiante ante problemas bien y mal estructurados

(Hong, Jonassen y McGee, 2003).

91


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

marginal al consumo; pruebas = reducción de ahorros el último año

e incremento de los ingresos por ventas), pero razonar desde las afir-

maciones hasta las pruebas es esencial para resolver problemas. Bell

y Linn (1997) sugieren que hacer conjeturas con advertencias, y no

con descripciones, para apoyar los argumentos es un indicio de que

los estudiantes están llegando a conjeturas científicas, que les permi-

ten generar mejores soluciones a los problemas.

¿Cómo podemos facilitar el desarrollo de las habilidades de ar-

gumentación de los estudiantes? Cerbin (1988) propone una ins-

trucción directa de las habilidades de razonamiento que se base

en un modelo explícito de argumentación. Durante años, este en-

foque ha sido el método estándar utilizado. Varios investigadores

han utilizado la instrucción directa en la estructura y la notación

de la argumentación (Knudson, 1991; Sanders, Wiseman, y Gass,

1994; Yeh, 1998). Sin embargo, los estudios han demostrado re-

sultados inconsistentes: la instrucción directa no siempre cumple

las expectativas de mejora de las habilidades argumentativas. Al-

gunos de ellos indican que este tipo de instrucción sí que produce

una mejora (Sander, Wiseman, y Gass, 1994), mientras que otros

demuestran que no se llega a resultados positivos en este aspecto

(Knudson, 1991).

Durante la última década, algunos investigadores han desarrollado

herramientas de argumentación basadas en la tecnología, que pue-

den utilizarse como entornos aislados o fijarse en entornos de apren-

dizaje más complejos. Estas herramientas pertenecen a una nueva

clase de herramientas cognitivas que se conocen como software de

CSCA (siglas de computer-supported collaborative argumentation, o

argumentación colaborativa asistida por ordenador). Su objetivo es

apoyar la construcción de argumentos del estudiante, incluyendo la

búsqueda de advertencias y pruebas que respalden sus afirmacio-

nes. Son entornos estructurados para introducir a los estudiantes en

“juegos de diálogo” (Moore, 2000). Los juegos de diálogo tienen un

conjunto de reglas para regular las contribuciones de los participan-

4.1. Tecnologías de argumentación


92

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

tes a cualquier discusión. Las herramientas CSCA se usan para mo-

derar discusiones en línea.

Los entornos CSCA pueden usarse de forma efectiva para apoyar

la búsqueda de distintas soluciones para distintos tipos de proble-

mas. Es decir, cuando los estudiantes colaboran para solucionar

problemas, pueden usar entornos CSCA que les ayuden a construir,

justificar y debatir las soluciones que han escogido. Por el hecho de

que los estudiantes no son grandes expertos en argumentación, los

entornos de discusión pueden dirigir o impulsar formas más argu-

mentativas de discusión. Cho y Jonassen (2002) han demostrado

que el uso de Belvedere (descrito más adelante) para impulsar la

construcción de argumentos del estudiante no sólo mejora sustan-

cialmente su argumentación, sino también su capacidad de solu-

ción de problemas bien y mal estructurados. La mayoría de

entornos que serán descritos a continuación no pueden adaptarse

a las necesidades de un problema en particular. Es decir, tienen

una estructura establecida.

En la Universidad de Missouri, hemos construido un entorno de ar-

gumentación asistida que permite que cualquier instructor construya

una estructura de discurso específica para un campo o problema con

el fin de restringir el diálogo durante un foro de discusión. El instruc-

tor define los tipos de mensaje que son más adecuados para el tema

de discusión. En la figura 22, el instructor ha identificado el primer

tipo de mensaje, una propuesta de solución. Este tipo de mensaje es-

taría en el nivel más alto de una discusión centrada en la solución de

un problema.

Ejemplo

Belvedere, por ejemplo, tiene cuatro articulaciones de

conversación predefinidas (“hipótesis”, “datos”, “prin-

cipios” e “inespecificaciones”) y tres enlaces (“a favor”,

“en contra” e “y”) para conectarlas. Esta estructura ge-

nérica puede enriquecer la solución de problemas. Aún

no se conoce, sin embargo, cuánto se podría enrique-

cer con un conjunto modificable de articulaciones y en-

laces. Esta última capacidad de articulaciones y enlaces

modificables la ofrece la primera de las herramientas

que voy a describir.

93


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Después de especificar todos los tipos de mensaje, el instructor especifi-

ca las relaciones entre estos tipos (véase la figura 23). Esto se hace com-

probando los tipos de mensajes permitidos para responder a los otros

tipos. Al utilizar la estructura de argumentación de Toulmin, este instruc-

tor ha agrupado los tipos de declaraciones que componen un argumen-

to en tres niveles (propuesta, advertencia y pruebas). El instructor envía

la explicación de un problema, y los estudiantes pueden responder sólo

utilizando declaraciones del nivel propuesta. La única declaración dis-

ponible en el nivel propuesta de nuestra estructura es la “propuesta de

solución”, y sólo puede responderse con declaraciones del nivel adver-

tencia. Entre las declaraciones del nivel advertencia encontramos “razón

para apoyar”, “razón para rehusar” y “modificar propuesta”. En lugar

de seguir este paso, el instructor también puede seleccionar adverten-

Figura 22. Creando tipos de mensaje.


94

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

cias teóricas o que estén basadas en lecturas o incluso posturas acepta-

das. Las declaraciones en el nivel advertencia sólo pueden responderse

con declaraciones del nivel pruebas, que (en este caso) incluyen “infor-

mación o hechos”, “opinión personal o creencia”, “experiencia perso-

nal” y “descubrimientos de investigación”. Los tipos de mensaje pueden

cambiarse fácilmente, añadiendo o eliminando algunos de ellos.

El foro de discusión se parece mucho a otras tablas de boletines de dis-

cursos (figura 23). Se puede acceder a cada mensaje ordenado jerár-

quicamente haciendo un doble clic. Durante la discusión en línea, los

Figura 23. Definir relaciones entre tipos de mensajes.

Figura 24. Tabla de discusión.

95


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

estudiantes pueden seleccionar el enlace “mensajes nuevos”, en el cual

ya sólo tienen la opción de enviar la ”propuesta de solución”. También

pueden responder a los mensajes. Después de haber escogido cuál res-

ponder y antes de escribirlo, el estudiante debe elegir el tipo de mensaje

que quiere enviar. Por ejemplo, si contesta un tipo de mensaje de ”pro-

puesta de solución”, entonces lo primero que debe hacer es elegir un

tipo de mensaje utilizando la interfaz de la figura 24.

Después de elegir el tipo de mensaje que quieren enviar, los estu-

diantes escriben sus mensajes. Cada mensaje se identifica por tipo

de mensaje, autor y fecha (véase la figura 25). Hemos comprobado

este entorno en distintos campos y estamos llevando a cabo unas in-

vestigaciones para comprobar su eficacia.

Este entorno de conversación permite que el profesor o diseñador del

curso adapte la estructura de la discusión para llegar a satisfacer las

necesidades concretas de la actividad. Por ejemplo, si diseñarais un

curso de resolución de dificultades de forma colaborativa, la tabla de

discusión se estructuraría según el proceso de resolución de dificul-

tades. En el nivel superior, los estudiantes podrían decidir qué acción

llevar a cabo. Al desarrollar más a fondo esta articulación, las arti-

culaciones de niveles más bajos exigirían al estudiante que enviara

hipótesis, pruebas para sugerir la acción o alguna justificación para

llevarla a cabo. Al enseñar a los estudiantes cómo defenderse ante

un tribunal, se podría impulsar esta actividad aportando el argumen-

to en el nivel superior, elaborado por casos precedentes, propuestas

estratégicas o conectadas con otros argumentos. No hay estudios so-

bre la eficacia de sistemas de conversación específicos de cada cam-

po, pero es razonable pensar que podrán obtener éxito.

Figura 25. Opciones de respuesta a una propuesta de solución.


96

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

4.1.1. SenseMaker

El SenseMaker forma parte de un entorno de integración del conoci-

miento, expuesto por WISE (siglas de web-based inquiry science en-

vironment, o entorno de investigación científica basada en la web),

un entorno de aprendizaje científico en línea, gratuito para estudian-

tes de educación primaria y secundaria. SenseMaker (figura 26) se

diseñó para promover la teorización de los estudiantes, para que

apoyaran la coordinación teoría-pruebas y expusieran su pensa-

miento de una forma visible durante los debates de clase. Los estu-

diantes agrupan las distintas pruebas en categorías y crean

argumentos científicos asociados a un proyecto. Mediante el soft-

ware, trabajan con puntos de pruebas que representan partes indivi-

duales de pruebas en la web y exponen marcos que corresponden a

categorías conceptuales (grupos) para las pruebas.

Figura 26. Pantalla de senseMaker.

97


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

4.1.2. Belvedere

Belvedere ha sido desarrollado por el Centro de Desarrollo e Investigación

de Aprendizaje de la Universidad de Pittsburgh, con el objetivo de apoyar

a los estudiantes en la creación de argumentos construidos socialmente.

Belvedere aporta un marco para organizar, exponer y grabar el proceso

de argumentación, para que los estudiantes puedan desarrollar su argu-

mento de una manera más fácil y llegar a solucionar un problema mien-

tras trabajan con los otros miembros del grupo. Concretamente,

Belvedere ofrece cuatro articulaciones de conversaciones predefinidas

(“hipótesis”, “datos”, “principios” y “no especificadas”) y tres enlaces (“a

favor” “en contra” e “y”) (véase la figura 27). Las restricciones de este sis-

tema se determinan a partir de los tipos de articulaciones y los enlaces en-

tre éstas. Se pide a los usuarios que enlacen sus comentarios a un

comentario ya existente utilizando uno de los cuatro tipos de mensaje. Por

ejemplo, los datos y principios sirven para modificar hipótesis. Los estu-

diantes utilizan cuadros y enlaces predefinidos para desarrollar sus argu-

mentos durante una sesión de solución de problemas. Pueden usar esta

herramienta para organizar sus ideas y los mensajes que enviaron al BBS.

Figura 27. Diagrama hecho por estudiantes de educación secundaria (16 años) sobre el sida.


98

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

4.1.3. Convince Me

Convince Me es un programa de “mesa de trabajo para los razona-

dores” que no depende de ningún campo y que apoya el desarrollo

de la argumentación y la revisión y ofrece feedback sobre la cohe-

rencia de los argumentos en función de la teoría de la coherencia ex-

plicativa (Ranney y Schank, en prensa).

Convince Me incorpora herramientas para hacer diagramas de una

estructura de argumentación y modificar los argumentos y creencias

de cada persona. Al usarlo, las personas pueden: (a) articular sus

creencias sobre una controversia, (b) categorizar cada creencia en

función de si hay pruebas o son hipotéticas, (c) conectar sus creencias

para apoyar o rehusar una tesis, (d) ofrecer valoraciones para indi-

car la credibilidad de las afirmaciones y (e) efectuar una simulación

de conexiones que aporte feedback sobre la coherencia de los argu-

mentos. Este feedback hace que Convince Me sea una de las herra-

mientas de argumentación más importantes que existen.

Convince Me ha sido usado para razonar sobre distintas situaciones

sociales, como la interpretación del comportamiento humano (por

ejemplo, sobre si bostezar indica una expresión subconsciente de

agresión o simplemente una falta de oxígeno, o sobre si debería le-

galizarse la marihuana. El uso de Convince Me ha ayudado a los es-

tudiantes a estructurar los argumentos consistentes con sus creencias

(Schank y Renay, 1992), a medida que iban cambiando sus estruc-

turas de argumentación el doble de veces que los estudiantes que uti-

lizaban protocolos escritos. Estos estudiantes que usaban Convince

Me también empleaban más explicaciones y contradicciones en sus

argumentos.

99


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Este módulo contempla tres áreas principales: la construcción de mo-

delos, la solución de problemas y la argumentación. Estas áreas re-

presentan las investigaciones más actuales que el autor, Jonassen,

está llevando a cabo. El modelado, la resolución de problemas y la

argumentación son actividades constructivistas que pueden llevar a

un aprendizaje significativo y pueden recibir el apoyo efectivo de la

tecnología. Junto a este módulo encontramos estudios de caso que

muestran cómo se pueden involucrar los estudiantes en estas activi-

dades.

Resumen

103


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Glosario

affordances

Véase habilitaciones

cambio conceptual

m Cambio en la organización o estructura de la comprensión conceptual.

carga cognitiva

f Cantidad de actividad cognitiva (razonamiento, atención, memoria,

cálculo) que se requiere para desarrollar distintas actividades.

dilema

m Problema basado en temas éticos o sociales que no puede predecirse

porque no hay ninguna solución que sea aceptable para una parte im-

portante de las personas afectadas.

espacio del problema

m Representación mental de un problema, de sus componentes y de las

proposiciones necesarias para entenderlo y resolverlo.

habilitaciones

f pl Capacidad de dar soporte a la actividad; característica de un sistema

o un fenómeno que permite a los animales o humanos realizar activida-

des concretas.

en afordances

mala categorización

f Clasificación incorrecta de la naturaleza de un problema.

metacognitivo -a

adj Aprender a aprender estrategias que requieren una conciencia indi-

vidual y la regulación de los procesos cognitivos utilizados.


104

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

micromundo

m Entorno de inmersión, basado en la informática, que simula algu-

nos fenómenos del mundo real y permite que el estudiante los expe-

rimente.

modelo conceptual

m Modelo visual de un sistema que ilustra las interconexiones de los com-

ponentes del mismo.

modelo mental

m Modelo conceptual construido por los humanos para representar su

comprensión de sistemas, objetos y otros fenómenos.

perturbación

f Pensamiento estimulador sobre algo mediante la aportación de in-

formación conflictiva o perspectivas alternativas; disonancia cogniti-

va.

problemas algorítmicos

m pl Problemas que utilizan unos procedimientos finitos y rígidos con de-

cisiones predichas y limitadas que normalmente exigen comprensión nu-

mérica, producción numérica y cálculo.

problemas de actuación estratégica

m pl Problemas que necesitan actividades complejas a tiempo real, en las

que se apliquen un determinado número de actividades tácticas para lle-

gar a una estrategia más compleja y mal estructurada manteniendo la

conciencia situacional.

problemas de análisis de casos

m pl Problemas complejos, desestructurados y que requieren situaciones

multifacéticas.

problemas de diseño

m pl Problemas que requieren aplicar muchos conocimientos domi-

nantes junto con conocimientos estratégicos para producir un diseño

original.

105


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

problemas de resolución de dificultades

m pl Problemas en los que la persona que quiere solucionarlos intenta

descubrir un estado falso en un sistema (parte de un sistema que no fun-

cione correctamente), provocando un conjunto de síntomas que deben

diagnosticarse y concordar con el conocimiento que tiene el usuario so-

bre los distintos estados falsos.

problemas de toma de decisiones

m pl Problemas que requieren comparar y contrastar las ventajas e in-

convenientes de soluciones alternadas para llegar a tomar una decisión.

problemas lógicos

m pl Pruebas abstractas de lógica que dejan perplejo al estudiante y que se

usan para valorar la agudeza mental, la claridad y el razonamiento lógico.

problemas desestructurados

m pl Problemas que pueden tener soluciones alternativas, definidas de

forma imprecisa u objetivos que no están claros y restricciones no decla-

radas; soluciones múltiples, vías de solución o ninguna solución; criterios

múltiples para la evaluación de soluciones.

problemas matemáticos narrados

m pl Problemas bien estructurados en los que los valores numéricos ne-

cesarios para solucionar un algoritmo están fijados en una narración

breve o situación.

problemas que usan reglas

m pl Problemas en los que pueden aplicarse un número limitado de re-

glas de distintos campos y de formas distintas.

razonamiento basado en casos

m Método de inteligencia artificial para representar aquello que las per-

sonas saben en forma de historias.

representaciones cualitativas

f pl Medios verbales, visuales o no-numéricos para representar un pro-

blema y su estructura o tipo.


106

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

simulaciones cognitivas

f pl Programas informáticos que puedan funcionar y que representen mo-

delos de actividades humanas cognitivas que "pretenden modelar estruc-

turas mentales y procesos humanos cognitivos".

sistema experto

m Conjunto de hechos y reglas SI-ENTONCES que parecen expertos hu-

manos; normalmente ayuda a los usuarios en tareas que requieren to-

mar decisiones.

107


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Adams-Webber, J. (1995) Constructivist psychology and knowledge elicita-

tion. Journal of Constructivist Psychology, 8 (3), 237-249.

Anzai, Y. (1991) Learning and use of representations for physics problems.

En K. A. Ericsson y J. Smith (Eds.), Toward a general theory of expertise.

Cambridge: Cambridge University Press.

Bagno, E., Eylon, B. S., y Ganiel, U. (2000) From fragmented knowledge to

a knowledge structure: Linking the domains of mechanics and electromag-

netism. American Journal of Physics, Supplement, 8 (7), S16-S26.

Barab, S. A., Barnett, M., Yamagata-Lynch, L., Squire, K., y Keating, T. (en

prensa) Using activity theory to understand the contradictions characterizing

a technology-rich introductory astronomy course. Mind, Culture, and Activity.

Barab, S., Evans, M. A., y Baek E. O. (2004) Activity Theory As a Lens for

Characterizing the Participatory Unit. En D. Jonassen (Ed.), Handbook of Re-

search for Educational Communications and Technologies (2.a ed.) Mahwah,

NJ: Lawrence Erlbaum Associates.

Baxter-Magolda, M. B. (1987) Comparing Open-Ended Interviews and

Standardized Measures of Intellectual Development. Journal of College Stu-

dent Personne, 28, 443-448.

Blessing, S. B. y Ross, B. H. (1996) Content effects in problem categorization

and problem solving. Journal of Experimental Psychology: Learning, Me-

mory, and Cognition 22 (3), 792-810.

Bransford, J. y Stein, B. S. (1983) The IDEAL problem solver: A guide for im-

proving thinking, learning, and creativity. Nueva York: W.H. Freeman.

Briars, D. J. y Larkin, J. H. (1984) An integrated model of skill in solving ele-

mentary word problems. Cognition and Instructio, 1, 245-296.

Carey, S. (1992) The origin and evolution of everyday concepts. En R. N.

Giere (Ed.), Minnesota Studies in the philosophy of science (XV) Cognitive mo-

dels of science (pp. 129-186). Mineapolis, MN: University of Minnesota

Press.

Bibliografía


108

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Cerbin, B. (1988) The nature and development of informal reasoning skills in

college students. (ERIC Document Reproduction Service, núm. ED 298 805).

Chi, M. T. H. (1992) Conceptual change within and across ontological ca-

tegories: Examples from learning and discovery in science. En R. N. Giere

(Ed.), Minnesota Studies in the philosophy of science, (XV) Cognitive models

of science (pp.129-186). Mineapolis, MN: University of Minnesota Press.

Chi, M. T. H., Feltovich, P. J., y Glaser, R. (1981) Categorization and repre-

sentation of physics problems y experts and novices. Cognitive Science, 5,

121-152.

Cho, K. L. y Jonassen, D. H. (2002) The effects of argumentation scaffolds

on argumentation and problem solving. Educational Technology: Research

& Development 50 (3), 5-22.

Confrey, J. y Doerr, H. M. (1994) Student modelers. Interactive Learning En-

vironment, 4 (3), 199-217.

DeKonig, K. y Bredwg, B. (2001) Exploting model-based reasoning in edu-

cational systems: illuminating the learer modeling problem. En K. D. Forbus

y P. J. Feltovich (Eds.), Smart machines in education (pp. 299-330). Menlo

Park, CA: AAAI Press.

Derry, S. J. y Grupo de Investigación TiPS (2001). Development and Asses-

sment of Tutorials in Problem Solving (TiPS): A Remedial Mathematics Tutor.

Final Report to the Office of Naval research (N00014-93-1-0310). Madison,

WI: Wisconsin Center for Education Research, University of Wisconsin-Madi-

son.

Di Sessa, A. y Abeson, H. (1986) Boxer: A reconstructible computational

medium. Communications of the ACM, 29, 859-868.

Dole, J. A. y Sinatra, G. M. (1998) Reconceptualizing change in the cogni-

tive construction of knowledge. Educational Psychologist, 33, 109-128.

Duffy, T. M. y Cunningham, D. Constructivism: Implications for the Design

and Delivery of Instruction. En D. H. Jonassen (Ed.), The handbook of resear-

ch on educational communications and technology. Nueva York: Scholastic.

Dunkle, M. E., Schraw, G., y Bendixen, L. D. (1995, abril) Cognitive pro-

cesses in well-defined and ill-defined problem solving. Artículo presentado en

la reunión anual de la American Educational Research Association. San

Francisco: CA.

109


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Edmundson, K. M. (2000) Assessing science understanding through concept

maps. En J. J. Mintzes, J. H. Wandersee y J. D. Novak (Eds.), Assessing scien-

ce understanding: A human constructivist view (pp. 19-40). San Diego: Aca-

demic Press.

Engeström, Y. (1987) Learning by expanding: An activity-theoretical appro-

ach to developmental research. Helsinki, Finlandia: Orienta-Konultit.

Ferguson, W., Bareiss, R., Birnbaum, L., y Osgood, R. (1991) ASK Systems:

An Approach to the Realization of Story-Based Teachers. The Journal of the

Learning Sciences, 2 (1), 95-134.

Fisher, K. M. (2000) SemNet software as an assessment tool. En J. J. Mint-

zes, J. H. Wandersee y J. D. Novak (Eds.), Assessing science understanding:

A human constructivist view (pp. 198-223). San Diego: Academic Press.

Frederiksen, J. R. y White, B. Y. (1998) Teaching and learning generic mode-

ling and reasoning skills. Journal of Interactive Learning Environmen, 55, 33-51.

Gentner, D. y Stevens, A. L. (1983) Mental models. Hillsdale. NJ: Lawrence

Erlbaum Associates.

Grabinger, R. S. (1996). Rich environments for active learning. En D. H. Jo-

nassen (Ed.), Handbook of research for educational communications and te-

chnology. Nueva York: Macmillan.

Hannafin, M. J., Hall, C., Land, S., y Hill, J. (1994) Learning in open-ended

learning environments: Assumptions, methods, and implications. Educatio-

nal Technology, 34 (8), 48-55.

Hayes, J. R. y Simon, H. A. (1977) Psychological differences among pro-

blem isomorphs. En N. J. Castellan, D. B. Pisoni y G. R. Potts (Eds.), Cognitive

theory (pp. 21-41). Hillsdale, NJ: Lawrence Erlbaum Associates.

Hernandez-Serrano, J. y Jonassen, D. H. (2003) The effects of case libra-

ries on problem solving. Journal of Computer-Assisted Learning.

Hogan, K. y Fisherkeller, J. (2000) Dialogue as data: Assessing students’

scientific reasoning with interactive protocols. En J. J. Mintzes, J. H. Wander-

see y J. D. Novak (Eds.), Assessing science understanding: A human construc-

tivist view (pp. 96-129). San Diego: Academic Press.

Hong, N. S., Jonassen, D. H., y McGee, S. (2003) Predictors of well-struc-

tured and ill-structured problem solving in an astronomy simulation. Journal

of Research in Science Teaching.


110

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Johnson-Laird, P. N. (1983) Mental models: Towards a cognitive science of

language, inference, and consciousness. Cambridge, MA: Harvard Universi-

ty Press.

Jonassen, D. H. (1987) Verifying a method for assessing cognitive structure

using pattern notes. Journal of Research and Development in Education, 20

(3), 1-14.

Jonassen, D. H. (1997) Instructional design models for well-structured and

ill-structured problem-solving learning outcomes. Educational Technology:

Research and Development, 45 (1), 65-95.

Jonassen, D. H. (2000) Computers as Mindtools for schools: Engaging criti-

cal thinking. Columbus, OH: Merrill/Prentice-Hall.

Jonassen, D. H. (2003) Using cognitive tools to represent problems. Journal

of Research on Technology in Education.

Jonassen, D. H., Beissner, K., y Yacci, M. A. (1993) Structural knowledge:

Techniques for representing, conveying, and acquiring structural knowledge.

Hillsdale, NJ: Lawrence Erlbaum.

Jonassen, D. H. y Henning, P. (1999) Mental models: Knowledge in the

head and knowledge in the world. Educational Technology, 39 (3), 37-42.

Jonassen, D. H. y Hernandez-Serrano, J. (2002) Case-based reasoning

and instructional design: Using stories to support problem solving. Educatio-

nal Technology: Research and Development, 50 (2), 65-77.

Jonassen, D. H. y Kwon, H. I. (2001) Communication patterns in computer-

mediated vs. face-to-face group problem solving. Educational Technology:

Research and Development.

Jonassen, D. H., Marra, R. M., y Palmer, B. (en prensa) Epistemological de-

velopment: An implicit entailment of constructivist learning environments. En

S. Dijkstra y N. Seel (Eds.), Instructional design: International perspectives

(vol. 3). Mahwah, NJ: Lawrence Erlbaum Associates.

Jonassen, D., Prevish, T., Christy, D., y Stavurlaki, E. (1999) Learning to

solve problems on the Web: Aggregate planning in a business management

course. Distance Education: An International Journa, 20 (1), 49-63.

Jonassen, D. H. y Tessmer, M. (1996/1997) An outcomes-based taxonomy

for instructional systems design, evaluation, and research. Training Research

Journal, 2, 11-46.

111


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Jonassen, D. H. y Wang, S. (en prensa) Using expert systems to build cog-

nitive simulations. Journal of Educational Computing Research.

Jonassen, D. H. (1991) Objectivism vs. constructivism: “Do we need a new

philosophical paradigm?” Educational Technology: Research ad Develop-

ment, 39.

Jonassen, D. H., Peck, K., y Wilson, B. G. (1999) Learning With technology:

A constructivist perspective. Columbus, OH: Merrill-Prentice Hall.

Kolodner, J. (1993) Case-based reasoning. Nueva York: Morgan Kaufman.

Knudson, R. E. (1991) Effects of instructional strategies, grade and sex on

students’ persuasive writing. Journal of Experimental Education, 59 (2), 141-

152.

Kraiger, K. y Salas, E. (1993, abril) Measuring mental models to assess lear-

ning during training. Artículo presentado en la reunión anual de la Society

for Industrial/Organizational Psychology. San Francisco, CA.

Land, S. M. y Hannafin, M. J. (1996) A conceptual framework for the deve-

lopment of theories-in-action with open-ended learning environments. Edu-

cational Technology Research & Development, 44 (3), 37-53.

Larkin, J. H. (1983) The role of problem representation in physics. En D.

Gentner y A.L. Stevens (Eds.), Mental models (pp. 75-98). Hillsdale, NJ:

Lawrence Erlbaum Associates.

Lehrer, R. y Schauble, L. (2000) Modeling in mathematics and science. En R.

Glaser (Ed.), Advances in instructional psychology: volume 5. Educational de-

sign and cognitive science (pp. 101-159). Nueva Jersey: Lawrence Erlbaum.

Lester, J. C., Stone, B. A., y Steling, G. D. (1999) Lifelike pedagogical

agents for mixed-initiative problem solving in constructivist learning environ-

ments. User Modeling and User-Adapted Interaction, 9, 1-44.

Lippert, R. C. (1988) An expert system shell to teach problem solving. Tech

Trends, 33 (2), 22–26.

Luque, M. L. (2003) The role of domain-specific knowledge in intentional

conceptual change. En G. M. Sinatra y P. R. Pintrich (Eds.), Intentional con-

ceptual change. Mahwah, NJ: Lawrence Erlbaum associates.

Marshall, S. P. (1995) Schemas in problem solving. Cambridge: Cambridge

University Press.


112

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Maturana, H. R. (1980) Autopoiesis and cognition, the realization of the li-

ving. Boston: Reidel Publishing.

Mayer, R. E. (1982) Memory for algebra story problems. Journal of Educa-

tional Psychology, 74, 199-216.

Mayer, R. E. (1992) Thinking, problem solving, cognition (2.ª ed.) Nueva

York: Freeman.

Mayer, R. E. y Wittrock, M. C. (1996) Problem-solving transfer. In Handbook

of educational psychology (pp. 47-62). Nueva York: Macmillan.

Mayer, R. E., Larkin, J. H., y Kadane, J. B. (1984) A cognitive analysis

of mathematical problem solving ability. En R. Sternberg (Ed.), Advances

in the psychology of human intelligence. Hillsdale, NJ: Lawrence Erlbaum

Associates.

McCloskey, M., Caramaza, A., y Basili, A. (1985) Cognitive mechanisms in

number processing and calculation: Evidence from dyscalculia. Brain and

Cognition 4, 171-196.

McGuinness, C. (1986) Problem representation: The effects of spatial

arrays. Memory & Cognition, 14 (3), 270-280.

Mellar, H., Bliss, J., Boohan, R., Ogborn, J., y Tompsett, C. (1994) Lear-

ning with artificial worlds: Computer-based modeling in the curriculum. Lon-

dres: Falmer Press.

Moore, D. (2000) A framework for using multimedia within argumentation

systems. Journal of Educational Multimedia and Hypermedia, 9 (2), 83-98.

Nathan, M. J. (1998) Knowledge and situational feedback in alearning en-

vironment for algebra story problem solving. Interactive Learning Environ-

ments, 5, 135-139.

Nathan M.J., Kintsch, W., y Young, E. (1992) A theory of algebra-word-

problem comprehension and its implications for the design of learning envi-

ronments. Cognition and Instruction, 9, 329-389.

Newell, A. y Simon, H. (1972) Human problem solving. Englewood Cliffs,

NJ: Prentice Hall.

Novak, G. M., Patterson, E. T., Gavrin, A. D., y Christianson, W. (1999)

Just-in-time teaching: Blending active learning wit web technology. Upper

Saddle River, NJ: Prentice-Hall.

113


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Novick, L. R. (1988) Analogical transfer, problem similarity, and expertise.

Journal of Experimental Psychology, 14, 510-520.

Penner, D. E., Giles, N. D., Lhrer, R., y Schauble, L. (1997) Buildig functio-

nal models: designing and elbow. Journal of Research in Science Teaching,

34 (2), 125-143.

Ploetzner, R., Fehse, E., Kneser, C., y Spada, H. (1999) Learning to relate

qualitative and quantitative problem representations in a model-based set-

ting for collaborative problem solving. Journal of the Learning Sciences, 8

(2), 177-214.

Ploetzner, R. y Spada, H. (1998) Constructing quantitative problem repre-

sentations on the basis of qualitative reasoning. Interactive Learning Environ-

ments, 5, 95-107.

Ploetzner, R., Fehse, E., Kneser, C., y Spada, H. (1999) Learning to relate

qualitative and quantitative problem representations in a model-based set-

ting for collaborative problem solving. Journal of the Learning Sciences, 8

(2), 177-214.

Ranney, M. y Schank, P. (en prensa) Modeling, observing, and promoting

the explanatory coherence of social reasoning. En S. Read, L. Miller (Eds.),

Connectionist and PDP models of social reasoning. Hillsdale, NJ: Lawrence

Erlbaum.

Reed, S. K., Willis, D., y Guarino, J. (1994) Selecting examples from solving

word problems. Journal of Educational Psychology, 86, 380-388.

Reed, S. K., Ernst, G. W., y Banerji, R. (1974) The role of analogy in transfer

between similar problem states. Cognitive Psychology, 6, 436-450.

Reusser, K. (1993) Tutoring systems and pedagogical theory: representatio-

nal tools for understanding, planning, and reflection in problem solving. En

S. P. Lajoie, S. J. Derry (Eds.), Computers as cognitive tools (pp. 143-178).

Hillsdale, NJ: Lawrence Erlbaum Associates.

Riley, M. S. y Greeno, J. G. (1988) Developmental analysis of understan-

ding language about quantities in solving problems. Cognition and Instruc-

tion, 5 (1), 49-101.

Rips, L. J. (1986) Mental muddles. En M. Brand, R. M. Harnish (Eds.), The

representation of knowledge and beliefs (pp. 258-286). Tuscon, AZ: Univer-

sity of Arizona Press.


114

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Salomon, G., Perkins, D. N., y Globerson, T. (1991) Partners in Cognition:

Extending Human Intelligence with Intelligent Technologies. Educational Re-

searcher, 20 (3), 2-9.

Sanders, J. A., Wiseman, R. L., y Gass, R. H. (1994) Does teaching argu-

mentation facilitate critical thinking? Communication Reports, 7 (1), 27-35.

Savery, J. y Duffy, T. M. (1995) Problem based learning: An instructional

model and its constructivist framework. En B. G. Wilson (Ed.), Designing

constructivist learning environments. Englewood Cliffs, NJ: Educational Tech-

nology Publications.

Schacter, J., Chung, G. K. W. K., y Door, A. (1998) Children's Internet sear-

ching on complex problems: Performance and process analyses. Journal of

the American Society for Information Science, 49, 840-849.

Schank, R. C. (1986) Explanation patterns: Understanding mechanically and

creatively. Hllsdale, NJ: Lawrence Erlbaum Associates.

Schank, R. C. (1990) Tell me a story: Narrative and intelligence. Evanston,

IL: Northwestern University Press.

Schank, R. C. (1994) Goal-based scenarios. En R. C. Schank, E. Langer

(Eds.), Beliefs, reasoning, and decision making: Psycho-logic in honor of Bob

Abelson. Hillsdale, NJ: Lawrence Erlbaum.

Schank, R. C., Fano, A., Bell, B., y Jona, M. (1993-1994) The design of

goal-based scenarios. The Journal of the Learning Sciences, 3 (4), 305-345.

Schnotz, W., Vosniadou, S., y Carreter (1999) New perspectives in concep-

tual change. Amsterdam: Pergamom.

Schwartz, J. L. y Yerulshalmy, M. (1987) The geometric supposer: Using

microcomputers to restore invention to the learning of mathematics. En

D. Perkins, J. Lockhead y J. C. Bishop (Eds.), Thinking: The second inter-

national conference (pp. 525-536). Hillsdale, NJ: Lawrence Erlbaum As-

sociates.

Schwarz, C. V. y White, B. Y. (en prensa) Developing a model-centered

approach to science education. Journal of Research in Science Teaching.

Shavelson, R. J. (1972) Some aspects of the correspondence between con-

tent structure and cognitive structure in physics instruction. Journal of Educa-

tional Psychology, 63, 225-234.

115


AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Siegler, R. S. (1996) Emerging minds: The process of change in children’s

thinking. Nueva York: Oxford University Press.

Silver, E. A. (1981) Recall of mathematical problem information: Solving re-

lated problems. Journal of Research in Mathematics Education, 12, 54-64.

Simon, D. P. (1978) Information processing theory of human problem sol-

ving. En D. Estes (Ed.), Handbook of learning and cognitive process. Hillsda-

le, NJ: Lawrence Erlbaum Associates.

Smith, M. U. (1991) A view from biology. En M. U. Smith (Ed.), Toward

a unified theory of problem solving. Hillsdale, NJ: Lawrence Erlbaum As-

sociates.

Smith, J. P.; di Sessa, A. A., y Roschelle, J. (1993) Misconceptions recon-

ceived: A constructivist analysis of knowledge in transition. Journal of Lear-

ning Sciences, 3, 115-163.

Spiro, R. J. y Jehng, J. C. (1990) Cognitive flexibility and hypertext: Theory

and technology for the non-linear and multi-dimensional traversal of com-

plex subject matter. En D. Nix, R. J. Spiro (Eds.), Cognition, education, and

multimedia: Explorations in high technology. Hillsdale, NJ: Lawrence Erl-

baum.

Sternberg, R. J. y Frensch, P. A. (Eds.). (1991) Complex problem solving:

Principles and mechanisms. Hillsdale, NJ: Lawrence Erlbaum Associates.

Strike, K. A. y Posner, G. J. (1985) A conceptual change view of learning

and understanding. En L. H. T. West, A. L. Pines (Eds.), Cognitive structure

and conceptual change. (pp. 211-231). Nueva York: Academic. Taylor, H.

A. y Tversky, B. Spatial mental models derived from survey and route des-

criptions. Journal of Memory and Language, 31, 261-292.

Thagard, P. (1992) Conceptual revolutions. Princeton, NJ: Princeton Univer-

sity Press.

Toulmin, S. (1958) The uses of argument. Cambridge, England: Cambridge

University Press.

Veer, G. C. van der (1989) Individual differences and the user interface. Er-

gonomics, 32 (11), 1431-1449.

Vosniadou, S. (1992) Knowledge acquisition and conceptual change.

Applied Psychology: An International Review, 41 (4), 347-357.


116

AN

OTA

CIO

NES

© FUOC • P06/M1104/01593

Voss, J. F. y Post, T. A. (1989) On the solving of ill-structured problems. En

M. T. H. Chi, R. Glaser, M. J. Farr (Eds.), The nature of expertise. Hillsdale,

NJ: Lawrence Erlbaum Associates.

Voss, J. F., Wolfe, C. R., Lawrence, J. A., y Engle, J. A. (1991) From repre-

sentation to decision: An analysis of problem solving in international relatio-

ns. En R. J. Sternberg, P. A. Frensch (Eds.), Complex problem solving:

Principles and mechanisms (pp. 119-158). Hillsdale, NJ: Lawrence Erlbaum

Associates.

White, B. (1993a) ThinkerTools: Causal models, conceptual change, and

science education. Cognition and Instruction, 10 (1), 1-100.

Wittgenstein, L. (1922) Tractatus logico-philosophicus. Londres: Routledge.

Woods, D. R., Hrymak, A. N., Marshall, R. R., Wood, P. E., Crowe, Hoff-

man, T. W., Wright, J. D., Taylor, P. A., Woodhouse, K. A., y Bouchard,

C. G. K. (1997) Developing problem-solving skills: the McMaster problem

solving program. Journal of Engineering Education, 86 (2), 75-92.

Del Docente Presencial Al Docente Virtual

Education

Transcript of Del Docente Presencial Al Docente Virtual