Mes: octubre 2026

La definición de aprendizaje que uso actualmente

Durante estos últimos 11 meses he estado leyendo y reflexionando sobre qué es aprender (tanto en el contexto de la enseñanza universitaria como en el de aprendizaje organizacional) y si debía cambiar su definición ante el advenimiento omnipresente de la Inteligencia Artificial Generativa.

Esta es la definición que he creado y uso actualmente (y considero que sirve tanto para universidad como para empresa):

Aprender es construir, almacenar y consolidar en la memoria a largo plazo esquemas mentales que organizan los conocimientos y establecen relaciones entre ellos, de modo que puedan recuperarse y utilizarse cuando se necesiten. Estos conocimientos incluyen hechos y terminología; clasificaciones, principios y teorías; procedimientos, algoritmos y técnicas; y el conocimiento de las condiciones, estrategias y limitaciones personales que afectan a cómo se aprende. Su construcción y consolidación requieren procesar la información, relacionarla con los conocimientos previos y recuperar lo aprendido repetidas veces, lo cual contribuye a afianzarlo y a permitir su uso. En términos operativos, haber aprendido supone poder transferir lo aprendido a situaciones diferentes de aquellas en las que se adquirió y adaptarlo a las exigencias del nuevo contexto, para reconocer qué exige una tarea o un problema, identificar qué conocimientos se necesitan, recuperarlos y aplicarlos para resolverlo, crear o diseñar.

Dos aspectos que quiero remarcar de la definición:

  1. Cada recuperación comprueba que el conocimiento sigue ahí y, además, refuerza el esquema.
  2. El aprendizaje incluye el conjunto de relaciones entre los conocimientos, de modo que dos personas pueden conocer los mismos hechos y no haber aprendido lo mismo si los tienen conectados de manera diferente.
PD. Si quieres una definición más compacta, puedes usar esta (pero necesitas saber qué conocimientos son factuales, conceptuales, y procedimentales, que en la version larga están enumerados): Aprender es consolidar en la memoria a largo plazo, mediante procesamiento, anclaje en conocimientos previos y recuperación repetida, esquemas mentales que relacionan conocimientos (factuales, conceptuales, procedimentales y sobre el propio modo de aprender), de forma que puedan recuperarse cuando se necesiten para resolver problemas, diseñar o crear, incluso en contextos nuevos donde antes hay que reconocer qué conocimiento se requiere.

Visitas: 10

El peaje que ya no recuerdo haber pagado

#docencia #pensamientoexperto #conceptosumbral

El martes pasado ocurrieron dos cosas sin relación aparente que me han hecho reflexionar sobre esto que os comparto.

Una amiga necesitaba “ver” cómo encajaban unas cosas en su terraza. Le pasé un plano (lo más natural del mundo, pensé: ahí está todo, a escala y con medidas). Su respuesta fue “no entiendo nada”. Mi primera reacción fue de extrañeza: “¿Cómo es posible que no entienda nada?”. Llevo dibujando e interpretando planos desde los 12 años, cuando ayudaba en la empresa de mi padre; luego vino la ingeniería y, a estas alturas, leer un plano me cuesta lo mismo que atarme los zapatos. Tan poco que ni se me pasó por la cabeza que le estaba hablando en un idioma que ella no hablaba.

La segunda fue en clase. Les di a mis estudiantes una plantilla en Excel y se quedaron alucinados de que la hubiera hecho yo. Vale, me costó unas tres o cuatro horas hacerla, había matrices y algunas fórmulas un poco incómodas de montar. Pero en mi cabeza no estaba archivado como un trabajo difícil. Era como escribir un correo largo: lleva su tiempo, y poco más.

Lo común de las dos historias es que yo no veía el esfuerzo de aprender un “lenguaje” o forma de representación nueva para ellas. Yo he ido adquiriendo esos lenguajes o frameworks a lo largo de la vida y dominarlos me ha supuesto esfuerzo para comprenderlos y  repetir su uso hasta que se asentaran como un hábito.

Estas cosas ahora son obvias para mí desde hace décadas porque tengo un “expert blind spot” (Nathan y Petrosino, 2003). Cuanto más dominas una materia, peor predices lo que les costará a quienes empiezan. Supongo que este “blind spot” tiene algo que ver con los conceptos umbral de Meyer y Land (2003), esas ideas que, una vez cruzadas, cambian la forma en que ves toda una disciplina. Pero en lugar de ideas, son habilidades o modos de representación complejos que usas como lenguaje. Ambos son irreversibles. Cuando has aprendido a reconstruir un objeto en tres dimensiones a partir de una planta, un alzado y un perfil, ya no puedes dejar de verlo. Yo no recuerdo cómo era no saber leer un plano. No tengo acceso a esa versión de mí. El umbral se borra cuando lo cruzas, y con él la memoria de lo que costó cruzarlo.

Mis estudiantes no me dijeron “no entiendo nada” con la Excel; me dijeron que era impresionante. Y quizá ese asombro era la misma señal que me dio mi amiga, solo que en otra versión

 

Referencias:

Meyer, J. H. F., & Land, R. (2003). Threshold concepts and troublesome knowledge: Linkages to ways of thinking and practising within the disciplines (ETL Project Occasional Report 4). University of Edinburgh.

Nathan, M. J., & Petrosino, A. (2003). Expert blind spot among preservice teachers. American Educational Research Journal, 40(4), 905–928. https://doi.org/10.3102/00028312040004905

Visitas: 24

En educación, la IA solo para lo que ya sabes hacer (y a veces en el trabajo también)

Me permito copiar literalmente dos fragmentos de este post de Stephen D. Turner (tomado de Daniel Willingham).

Coincide “plenamente” con lo que ahora pienso del tema, que es prácticamente lo mismo que pienso desde 2023. He leído, y probado muchas cosas desde entonces y apenas ha cambiado mi idea inicial. No sé si eso es una prueba de la consistencia de mis “argumentos” o un simple sesgo de confirmación. Yo sigo dándole vueltas al tema, si algún día cambio de opinión, os lo comparto.

“Students should only use AI for things they already know how to do well”

“In the workplace, the product is the thing. The report, the grant proposal, the manuscript, the R package, the Python notebook, the pitch deck, whatever. The product is the thing that matters, and here we all agree to this ideal that the human should be the lead in the driver’s seat, with AI being the associate.

In education, the product doesn’t matter. The product isn’t the point at all. Students produce products, but the product is seldom the point. No one wants to read the papers they write, and the math problems they solve have no practical value. Teachers have them do these tasks because they provide practice in cognitive abilities that we think matter.”

Quizás mi coincidencia no sea tan plena como lo que se dice literalmente. Es cierto que en el trabajo lo que importa es el producto, pero una organización que solo se centra en el producto no aprende. Lo que mejora el producto de mañana es entender cómo llegamos hasta ahí: qué decisiones tomamos, qué descartamos, dónde nos equivocamos y por qué. Eso es aprendizaje organizativo, lo que Argyris y Schön llamaban aprendizaje de doble bucle: no solo corregir el error, sino revisar los supuestos que lo produjeron. No hace falta hacerlo siempre, pero sí con cierta frecuencia, mediante retrospectivas y lecciones aprendidas. Si delegamos en la IA todo el proceso, incluso en tareas que dominamos, corremos el riesgo de que nadie en la organización conserve ese conocimiento tácito. Obtendremos el producto, pero habremos perdido la práctica que nos permitía mejorarlo y, sobre todo, juzgarlo. Por eso me resisto a aceptar que la frontera entre educación y trabajo sea tan nítida como sugiere el post original.

Resulta que mi postura apenas ha cambiado desde 2023, y ahora la estoy extendiendo al mundo laboral criticando el post original. Una opinión que se extende a otros campos suele estar más cerca del sesgo de confirmación que de la evidencia. Siguiendo la lógica de la gestión basada en evidencia (Pfeffer y Sutton, Center for Evidence-Based Management), consideraré estas frases como “proposiciones” o hipótesis, no como verdades confirmadas. Esto implica tres cosas:

  • Formularla de manera falsable. Por ejemplo: “los estudiantes que usan IA para tareas que aún no dominan retienen menos a largo plazo que quienes las practican sin ella”. Y para el trabajo: “los equipos que externalizan el proceso a la IA pierden capacidad de mejora continua”.
  • Definir de antemano qué evidencia me haría cambiar de opinión, antes de ver los datos.
  • Buscar activamente lo que me contradiga: estudios con resultados positivos para novatos usando IA intensivamente, contextos donde la práctica sin apoyo es ineficiente, y críticas a la visión cognitivista de lo que es el aprendizaje. También puedo contrastar mis ideas con alguien que piense lo contrario, o hacer un premortem (imaginar que dentro de un año estoy equivocado y preguntarme por qué).

Referencias relacionadas:

Argyris, C. (1977). Double loop learning in organizations. Harvard Business Review. https://hbr.org/1977/09/double-loop-learning-in-organizations

Argyris. (2004). Reflection and Beyond in Research on Organizational Learning. Management Learning, 35, 507.

Argyris, C., & Schön, D. A. (1992). Theory in practice: Increasing professional effectiveness (1 ed. 1974, 6. print). Jossey-Bass Publ.
Pfeffer, J., & Sutton, R. I. (2006). Hard Facts, dangerous half-truths, and total nonsense. Profiting form evidence-based management. Harvard business review press.
Pfeffer, J., & Sutton, R. I. (2006). Evidence-based management. Harvard Business Review, 84(1), 62–74.

 

Visitas: 20