Etiqueta: Aprendizaje

MODELO DE GOBIERNO ELECTRÓNICO PARA LA GESTIÓN Y EVALUACIÓN DE PROGRAMAS DE CAPACITACIÓN PRODUCTIVA DEL GOBIERNO AUTÓNOMO DEPARTAMENTAL DE LA PAZ

MODELO DE GOBIERNO ELECTRÓNICO PARA LA GESTIÓN Y EVALUACIÓN DE PROGRAMAS DE CAPACITACIÓN PRODUCTIVA DEL GOBIERNO AUTÓNOMO DEPARTAMENTAL DE LA PAZ

La capacitación virtual se convierte en una estrategia importante para que el Gobierno Autónomo Departamental de La Paz capacite a la población en diferentes temáticas que la ciudadanía demanda, a través de las tecnologías de información y comunicación en especial el Internet para la transferencia de conocimientos con miras a incorporar a los ciudadanos a la sociedad de la información y el conocimiento. El trabajo de investigación tiene como finalidad plantear un modelo de gobierno electrónico que permita la gestión de programas de capacitación productiva y también la evaluación del aprendizaje que van dirigidas a la población y funcionarios del Gobierno Autónomo Departamental de La Paz, este modelo define componentes como ser el talento humano, la tecnología, la demanda y los servicios, al ser un modelo orientado a servicios se describen los servicios propuestos que son: Servicio de promoción de cursos de capacitación, a través de alertas de nuevos cursos a usuario registrados, servicio de capacitación en línea con la modalidad semi- presencial o también llamada aprendizaje combinado, el cual propone desarrollar el proceso de enseñanza aprendizaje de manera virtual y la evaluación en modalidad presencial y por último el servicio de certificación en línea, con el cual se pretende establecer una calificación certificada a través de los procesos de heteroevaluación y los emergentes de autoevaluación y coevaluación.

Cargador Cargando...
Logotipo de EAD ¿Tarda demasiado?

Recargar Recargar el documento
| Abrir Abrir en una nueva pestaña

Descargar [4.27 MB]

Mapas Mentales Para El Ambito Educativo

Mapas Mentales Para El Ambito Educativo

En el presente artículo se realiza una introducción a la temática de los mapas mentales a partir de la obra escrita por Tony Buzan, de manera secuencial se proporciona una vista del  pensamiento irradiante  como  elemento   central  de  los  mapas  mentales,  posteriormente  se  efectúa  la presentación del método de los mapas mentales como un recurso bastante importante para la creación metódica de este tipo de mapas,  luego se toca el tema central del artículo referido a la cartografía mental en el ámbito educativo, y al final del articulo se muestran los pasos básicos para el diseño y construcción adecuada de los mapas mentales.

 

Cargador Cargando...
Logotipo de EAD ¿Tarda demasiado?

Recargar Recargar el documento
| Abrir Abrir en una nueva pestaña

Descargar [327.79 KB]

Aprendizaje automático (primera parte)

Aprendizaje automático (primera parte)

En la tesis de maestría en educación superior escrita por Armando Tutau el año 2011, con el título “Estilos de aprendizaje de estudiantes universitarios y su relación con su situación laboral”, se menciona que el proceso de enseñanza aprendizaje es una de las temáticas de más frecuente tratamiento, y mucho es lo que se ha escrito sobre el tema. Aparece de manera sencilla como un cierto acuerdo entre dos personas para la transferencia de conocimiento, que no agotándose en el proceso de comunicación, debería provocar el cambio definitivo en el comportamiento del que aprende. Apoyándose en el Diccionario Santillana, menciona que es el aprendizaje el “proceso mediante el cual un sujeto adquiere destrezas o habilidades prácticas, incorpora contenidos informativos, o adopta nuevas estrategias de conocimiento o acción”; etimológicamente deriva del latín insignare, que sugiere proponer orientación acerca de qué camino seguir, aplicándose a los actos que pueden realizar maestros, padres, profesores, y otros. De acuerdo con visiones actuales, el docente actuaría como “facilitador” o “mediador” entre el conocimiento y los estudiantes, provocando un proceso de interacción, que necesitado de la iniciativa y el interés por saber de los estudiantes, recorre un proceso constante, un ciclo. Según Dolto en el libro escrito el año 1986 titulado “La imagen inconsciente del cuerpo”, es frecuente que los métodos para llevar adelante procesos de enseñanza aprendizaje se encuentren basados en la comunicación, preferentemente oral o escrita, y requiera de técnicas expositivas, estudio de casos, resolución de problemas, dinámicas grupales, etc.

En este entendido, en el blog “Definición de”, se denomina aprendizaje al proceso de adquisición de conocimientos, habilidades, valores y actitudes, posibilitado mediante el estudio, la enseñanza o la experiencia. Dicho proceso puede ser entendido a partir de diversas posturas, lo que implica que existen diferentes teorías vinculadas al hecho de aprender. La psicología conductista, por ejemplo, describe el aprendizaje de acuerdo a los cambios que pueden observarse en la conducta de un sujeto. El proceso fundamental en el aprendizaje es la imitación, es decir la repetición de un proceso observado, que implica tiempo, espacio, habilidades y otros recursos. El aprendizaje humano se define como el cambio relativamente invariable de la conducta de una persona a partir del resultado de la experiencia. Este cambio es conseguido tras el establecimiento de una asociación entre un estímulo y su correspondiente respuesta. La capacidad no es exclusiva de la especie humana, aunque en el ser humano el aprendizaje se constituyó como un factor que supera a la habilidad común de las ramas de la evolución más similares. Gracias al desarrollo del aprendizaje, las personas han logrado alcanzar una cierta independencia de su entorno ecológico y hasta pueden cambiarla de acuerdo a sus necesidades.

En la tesis doctoral de Troncoso, publicada en año 2005 con el título “Técnicas avanzadas de predicción y optimización aplicadas a sistemas de potencia”, se menciona que el aprendizaje automático es la rama de la inteligencia artificial que estudia el desarrollo de técnicas para extraer de forma automática conocimiento subyacente en los datos. Uno de los modelos de aprendizaje más estudiados es el aprendizaje inductivo, el cual engloba todas aquellas técnicas que aplican inferencias inductivas sobre un conjunto de datos para adquirir el conocimiento inherente a ellos.

Por su parte, la capacidad de que un sistema informático aprenda de manera automática es fundamental en inteligencia artificial, pues para que un sistema pueda ser considerado inteligente debe ser al menos capaz de aprender automáticamente, tal como se explica en el libro publicado el año 1998 por Kubat y sus colegas titulado “Revisión de los métodos de aprendizaje automático”. El inicio del aprendizaje automático se remonta a la década de los años 1950 y su objetivo es el desarrollo de métodos computacionales para la implementación de diversas formas de aprendizaje. Generalizando, la tarea de aprendizaje automático se puede describir como un proceso automático que permite mejorar la solución que se le da a los problemas. Según Carbonell, en el libro publicado el año 1990 titulado “Paradigmas del aprendizaje automático”, los métodos de aprendizaje automático pueden clasificarse de forma muy genérica en inductivos y no inductivos. Los inductivos son aquellos que dado un conjunto de ejemplos positivos y negativos del concepto objetivo, construyen una descripción del mismo de la cual se pueden derivar todos los ejemplos positivos y ninguno de los negativos. Además, un método de aprendizaje automático puede clasificarse como supervisado, no supervisado y criticado según la información que contengan los ejemplos de aprendizaje que se le proporcionen al sistema. (a) Método supervisado. Es el método que aprovecha la supervisión de un “profesor” durante el aprendizaje que le informa sobre la relación entre el ejemplo a aprender y el concepto objetivo. (b) Método criticado. Es el método que recibe una crítica sobre el acierto de sus decisiones en la que se basa para mejorar su comportamiento. También se le conoce como método de aprendizaje por refuerzo. (c) Método no supervisado. Es el método que no obtiene ningún tipo de ayuda externa para realizar su labor de aprendizaje.En este caso no hay ni crítico ni “profesor”.

 

Guillermo Choque Aspiazu
www.eldiario.net
13 de Julio de 2015

Aprendizaje neuronal (segunda parte)

Aprendizaje neuronal (segunda parte)

En la monografía de Matich, publicada el año 2001 con el título “Redes neuronales: Conceptos básicos y aplicaciones”, se menciona que las redes neuronales son más que otra forma de emular ciertas características propias de los seres humanos, como la capacidad de memorizar y de asociar hechos. Si se examinan con atención aquellos problemas que no pueden expresarse a través de un algoritmo, se observará que todos ellos tienen una característica en común: La experiencia. El hombre es capaz de resolver estas situaciones acudiendo a la experiencia acumulada. Así, parece claro que una forma de aproximarse al problema consista en la construcción de sistemas que sean capaces de reproducir esta característica humana. En definitiva, las redes neuronales no son más que un modelo artificial y simplificado del cerebro humano, que es el ejemplo más adecuado del que se dispone para un sistema que es capaz de adquirir conocimiento a través de la experiencia. Una red neuronal es un nuevo sistema para el tratamiento de la información, cuya unidad básica de procesamiento está inspirada en la célula fundamental del sistema nervioso humano: La neurona. El pensamiento tiene lugar en el cerebro, que consta de billones de neuronas interconectadas. Así, el secreto de la “inteligencia”, sin importar como se defina, se sitúa dentro de estas neuronas interconectadas y de su interacción. También, es bien conocido que los seres humanos son capaces de aprender. Aprendizaje significa que aquellos problemas que inicialmente no pueden resolverse, pueden ser resueltos después de obtener más información acerca del problema.

En la tesis de Villaseñor, publicada el año 2004 con el título “Análisis inteligente de datos con redes neuronales artificiales”, se menciona que para definir una red neuronal, no solo basta tener una arquitectura, también es necesaria la determinación de un proceso de aprendizaje. El proceso de aprendizaje en una red neuronal puede ser visto como un problema de actualización de los pesos sinápticos de las neuronas de manera tal que la red neuronal mejore la forma en que realiza cierta tarea específica. Estas mejoras en el desempeño de una red neuronal son logradas a lo largo del proceso de entrenamiento y mediante la actualización iterativa del los pesos sinápticos, los cuales están representados por un vector denominado vector de pesos. En este proceso, se modifican los vectores de pesos, de manera que el comportamiento de la red neuronal se adapte y alcance un desempeño óptimo. Durante el proceso de aprendizaje, los pesos de las conexiones de la red sufren modificaciones, por lo tanto, se puede afirmar que este proceso ha terminado, la red ha aprendido, cuando los valores de los pesos permanecen estables. Un aspecto importante respecto al aprendizaje de las redes neuronales es el conocer cómo se modifican los valores de los pesos, es decir, cuáles son los criterios que se siguen para cambiar el valor asignado a las conexiones cuando se pretende que la red aprenda una nueva información. Hay dos métodos de aprendizaje importantes que pueden distinguirse: Aprendizaje supervisado y aprendizaje no supervisado.

En la tesis de grado de Andrade, publicada el año 2013 con el título “Estudio de los principales tipos de redes neuronales y las herramientas para su aplicación”, se menciona que el aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo, supervisor o maestro, que determina la respuesta que debería generar la red a partir de una entrada determinada. El supervisor controla la salida de la red y en caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la salida obtenida se aproxime a la deseada. En este tipo de aprendizaje se suelen considerar, a su vez, tres formas de llevarlo a cabo, que dan lugar a los siguientes aprendizajes supervisados: (1) Aprendizaje por corrección de error. Consiste en ajustar los pesos de las conexiones de la red en función de la diferencia entre los valores deseados y los obtenidos a la salida de la red, es decir, en función del error cometido en la salida. (2) Aprendizaje por refuerzo. Se trata de un aprendizaje supervisado, más lento que el anterior, que se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado, es decir, de no indicar durante el entrenamiento exactamente la salida que se desea que proporcione la red ante una determinada entrada. En el aprendizaje por refuerzo la función del supervisor se reduce a indicar mediante una señal de refuerzo si la salida obtenida en la red se ajusta a la deseada, y en función de ello se ajustan los pesos basándose en un mecanismo de probabilidades. (3) Aprendizaje estocástico. Consiste básicamente en realizar cambios aleatorios en los valores de los pesos de las conexiones de la red y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidad.

Por su parte Matich, en la monografía citada, menciona que las redes con aprendizaje no supervisado, no requieren influencia externa para ajustar los pesos de las conexiones entre sus neuronas. La red no recibe ninguna información por parte del entorno que le indique si la salida generada en respuesta a una determinada entrada es o no correcta. Estas redes deben encontrar las características, regularidades, correlaciones o categorías que se puedan establecer entre los datos que se presenten en su entrada. En cuanto a los algoritmos de aprendizaje no supervisado, en general se suelen considerar dos tipos, que dan lugar a los siguientes aprendizajes: (1) Aprendizaje hebbiano. Esta regla de aprendizaje es la base de muchas otras, la cual pretende medir la familiaridad o extraer características de los datos de entrada. El fundamento es una suposición bastante simple: Si dos neuronas toman el mismo estado simultáneamente, ambas activas o ambas inactivas, el peso de la conexión entre ambas se incrementa. (2) Aprendizaje competitivo y comparativo. Se orienta a la agrupación o clasificación de los datos de entrada. Como característica principal del aprendizaje competitivo se puede decir que, si un patrón nuevo se determina que pertenece a una clase reconocida previamente, entonces la inclusión de este nuevo patrón a esta clase matizará la representación de la misma. Si el patrón de entrada se determinó que no pertenece a ninguna de las clases reconocidas anteriormente, entonces la estructura y los pesos de la red neuronal serán ajustados para reconocer la nueva clase.

 

Guillermo Choque Aspiazu
https://www.eldiario.net
20 de Marzo de 2017

Aprendizaje neuronal (primera parte)

Aprendizaje neuronal (primera parte)

En el artículo de Gómez y sus colegas, publicado el año 2011 con el título “Aprendizaje con redes neuronales artificiales”, se menciona que las computadoras digitales modernas son novicias en el mundo de la computación. Desde hace millones de años existen computadoras biológicas, como el cerebro y el sistema nervioso de los seres humanos y los animales, que muestran una maravillosa eficacia en el procesamiento de la información sensorial y en el control de las interacciones con el entorno. Echar mano a un bocadillo, reconocer un rostro o reconocer cosas relacionadas con el sabor del chocolate son tareas computacionales, lo mismo que lo es el tratamiento matemático de grandes cantidades de números o el desarrollo de un videojuego con realidad aumentada. Un niño de tres años es capaz de señalar con suma facilidad un árbol en una fotografía y, por el contrario, algoritmos bastante complejos, instalados en las más poderosas computadoras, apenas si logran resultados mediocres al acometer una tarea esencialmente equivalente: El reconocimiento de patrones en las figuras. Para reconocer árboles se requiere una definición muy amplia de la naturaleza del árbol, que equivaldría a una descripción de todas las variables concebibles. Los problemas de reconocimiento de patrones constituyen un subconjunto de los llamados problemas aleatorios, es decir, problemas cuya resolución exige, en esencia, un conocimiento de todos los posibles estados del sistema. Por consiguiente la resolución de un problema aleatorio comporta tener registrados en la memoria la totalidad de los posibles estados, mas la facultad de seleccionar rápidamente la más idónea de las soluciones entre el conjunto de las registradas, habida cuenta de los datos disponibles.

En el artículo de Ochoa, publicado el año 2003 con el título “Características de una red neuronal artificial”, se menciona que las redes neuronales artificiales se caracterizan de acuerdo a cuatro aspectos principales: (1) Topología. Hace referencia a la organización y disposición de las neuronas en red, formando agrupaciones llamadas capas. Los parámetros fundamentales son: El número de capas, el número de neuronas por capa, el grado de conectividad y el tipo de conexiones entre neuronas. Este último se utiliza para conocer si las redes son de propagación hacia adelante, Feedforward; o hacia atrás, Backpropagation; el número de capas permite saber si son mono capa o multicapa. (2) Mecanismo de aprendizaje. “El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada.” Durante este proceso los pesos de las conexiones de la red se modifican, cuando estos permanecen estables quiere decir que la red aprendió. Existen diferentes mecanismos de aprendizaje que le permiten a la red ir modificando sus pesos de acuerdo a una salida deseada; o interpretar de diferente manera las salidas que la red genere. (3) Tipo de asociación realizada entre la información de entrada y salida. La asociación entre la información de entrada y salida se refiere a los datos que la red aprende, y asocia las entradas con una salida correspondiente. Existen dos formas de realizar esta asociación: (a) Heteroasociación. La red aprende parejas de datos, cuando se presenta una entrada, la red deberá responder generando la correspondiente salida. Auto asociación. La red aprende determinada información, de tal manera que cuando se le presenta una información de entrada realizará una auto correlación, respondiendo con uno de los datos almacenados, el más parecido al dato de la entrada. (4) Forma de representación de la información. Los datos de entrada y salida de una red neuronal pueden ser representados de maneras distintas: Pueden ser analógicos, cuando esto ocurre, las funciones de activación de las neuronas son continuas, de tipo lineal o sigmoidal. Otras redes tienen como datos de entrada valores discretos, entonces la función de activación son de tipo escalón. También existen redes híbridas, donde las entradas son continuas y las salidas discretas.

En la monografía de Palacio, publicada el año 2012 con el título “Aprendizaje”, se menciona que debido a que el cerebro tiene una función extremadamente compleja en el desarrollo de la persona, la naturaleza ha previsto que se encuentre más disponible para el aprendizaje en la etapa que más lo necesita. Así, en el momento del parto, el cerebro de un bebe pesa alrededor de trescientos cincuenta gramos, pero sus neuronas no dejan de multiplicarse durante los primeros tres años. Precisamente durante este proceso de expansión es cuando se da la máxima receptividad, y todos los datos que llegan a él se clasifican y archivan de modo que siempre estén disponibles. En esto consiste el aprendizaje, de disponer de conocimientos y diversos recursos que sirven como plataforma para alcanzar determinados objetivos. No se conoce demasiado sobre las bases neurofisiológicas del aprendizaje, sin embargo, se tienen algunos indicios importantes de que éste se encuentra relacionado con la modificación de las conexiones sinápticas. En concreto comúnmente se admite como hipótesis que: (1) El aprendizaje es el resultado del fortalecimiento o abandono de las conexiones sinápticas entre neuronas. (2) El aprendizaje es local, es decir, la modificación de una conexión sináptica depende sólo de la actividad, potencial eléctrico, correspondiente de la neurona presináptica y de la neurona postsináptica. (3) La modificación de las sinapsis es un proceso relativamente lento comparado con los tiempos típicos de los cambios en los potenciales eléctricos que sirven de señal entre las neuronas. (4) Si la neurona presináptica o la neurona postsináptica, o ambas, están inactivas, entonces la única modificación sináptica existente consiste en el deterioro o decaimiento potencial de la sinapsis, que es responsable del olvido. El proceso de aprendizaje es una actividad individual que se desarrolla en un contexto social y cultural. Es el resultado de procesos cognitivos individuales mediante los cuales se asimila e interioriza nueva información, asociada a hechos, conceptos, procedimientos, valores, luego se construyen nuevas representaciones mentales significativas y funcionales, que posteriormente se pueden aplicar en situaciones diferentes a los contextos donde se aprendieron. Aprender no solamente consiste en memorizar información, es necesario también otras operaciones cognitivas que implican: Conocer, comprender, aplicar, analizar, sintetizar y valorar.

 

Guillermo Choque Aspiazu
https://www.eldiario.net
13 de Marzo de 2017

Aprendizaje colaborativo

Aprendizaje colaborativo

En la historia de la humanidad el trabajar y aprender juntos es algo bastamente difundido, pese a que recién a fines del siglo veinte surge el concepto de aprendizaje colaborativo, transformándose en un tema de estudio en el que se ha teorizado bastante. El constructivismo sociocultural ha servido como marco teórico para este enfoque del aprendizaje, el que afirma que todo aprendizaje es social y mediado. Se observan tres elementos que posiblemente pueden explicar la razón para que el aprendizaje colaborativo tenga hoy tanta importancia, no sólo en la teoría sino también en los procesos de aprendizaje y producción.

La primera tiene que ver con la revolución tecnológica y establece relación con un entorno de aprendizaje digital de carácter global, representado en la red de redes, Internet, donde no existen barreras culturales ni idiomáticas y cuyas características de instantaneidad e interactividad la hacen muy atractiva. Se habla de un nuevo entorno electrónico de aprendizaje, que antes no existía, y que pone en red simultáneamente a millones de personas, sin considerar distancias, ni importar su lugar de residencia. En síntesis, esto implica que la red y las “tecnologías de la información y comunicación”, son un contexto concreto en el que puede articularse el carácter colaborativo del aprendizaje. La segunda perspectiva es que se considera que el entorno de aprendizaje electrónico reúne características que son especialmente poderosas para la colaboración, tales como la interactividad, la ubicuidad, y el sincronismo. La tercera respuesta es que las teorías del aprendizaje hasta mediados del siglo veinte acentuaron el conocimiento individual, por sobre el social. A fines del siglo pasado, el enfoque sociocultural valorizó lo social como complemento al proceso cognitivo personalizado de cada individuo. El aprendizaje colaborativo entonces, nace y responde a un nuevo contexto socio cultural donde se define el “cómo aprenden las personas” y “dónde aprenden”. Desde este punto de vista, se validan las interacciones sociales, como también la visión de que el aporte de dos o más individuos que trabajan en función de una meta común, puede tener como resultado un producto más enriquecido y acabado que la propuesta de uno sólo, esto motivado por las interacciones, negociaciones y diálogos que dan origen al nuevo conocimiento.

La denominada inteligencia artificial puede aplicarse a una gran cantidad de áreas o campos donde sea requerido el intelecto humano. El más reciente paradigma de esta disciplina es el denominado paradigma de agentes. Este paradigma aborda el desarrollo de entidades que puedan actuar de forma autónoma y razonada conocidas como agentes inteligentes. Los investigadores y desarrolladores del área han generado múltiples definiciones para estas entidades, cada uno de ellos teniendo en cuenta sus propias necesidades o experiencias. Una de las definiciones más aceptada es la que establecen los investigadores Stuart Russell y Peter Norvig el año 1995 como: “todo aquello que percibe su medio ambiente mediante sensores y actúa sobre el mismo a través de efectores”.

Actualmente existen en el tema tanto lagunas conceptuales como de desarrollo, por lo que no es extraño que todavía no existe acuerdo en la comunidad científica acerca de las propiedades que debe esgrimir un agente; sin embargo algunas de estas propiedades son: continuidad temporal, autonomía, sociabilidad, racionalidad, reactividad, pro-actividad, adaptatividad, movilidad, veracidad y benevolencia. No existe consenso sobre el grado de importancia de cada una de estas propiedades, si bien se coincide en la opinión de que sirven fundamentalmente para diferenciar a los agentes de meros programas software. También debido a que los autores no evalúan las mismas características de las que los agentes deben ser poseedores, es que se obtienen distintas taxonomías para ellos. Así, existen agentes autónomos, agentes colaborativos, agentes de interfaz, agentes reactivos, agentes híbridos, agentes astutos, y otros tipos, producto de la combinación de dos o más de estas categorías citadas. Cabe resaltar que las aplicaciones basadas en agentes son numerosas, tanto como la variedad de áreas en donde están siendo empleados: control de procesos, producción, operaciones comerciales, gestión de información, comercio electrónico, monitorización, mediación, aplicaciones médicas, entretenimiento, etc. Recientemente han comenzado a aplicarse como una alternativa real de apoyo a los procesos de enseñanza aprendizaje de estudiantes.

Numerosos estudios demuestran que la colaboración entre pares estimula el aprendizaje, acrecienta la motivación, fomenta los sentimientos de pertenencia a un equipo, incentiva la creatividad, facilita la comunicación, sobre todo entre quienes se encuentran dispersos geográficamente, y acrecienta la satisfacción personal por el proceso educativo realizado. Estas son sólo algunas de las razones que motivan el número creciente de aplicaciones colaborativas existentes en el ámbito de la educación, y en particular dentro de la educación a distancia. Desde hace unos pocos años las aplicaciones de aprendizaje colaborativo han comenzado a incluir tecnología de agentes. Existen numerosas aplicaciones que cuentan con agentes inteligentes en sus arquitecturas que les permiten enriquecer sus funcionalidades tradicionales. La personalización de las respuestas del sistema, a través de agentes que tienen en cuenta las necesidades y características de cada estudiante, permite generar productos que benefician el proceso de aprendizaje de los alumnos.

Brindar una única definición de aprendizaje colaborativo soportado por computadoras no es una tarea fácil, principalmente por la dificultad misma de definir “aprendizaje colaborativo”. Se sostiene que el aprendizaje colaborativo es una situación en la que dos o más personas aprenden algo juntas, o al menos lo intentan. Los elementos de esta definición pueden interpretarse de varias maneras. Por ejemplo, la expresión dos o más personas puede ser vista como: un par, pequeños grupos formados por tres a cinco individuos, una clase de treinta o más estudiantes, una comunidad, etc.; el mismo análisis podría efectuarse al tratar de dar significación a las palabras aprenden algo juntas. Sin embargo, luego de plantear estas dificultades, se logró proponer una definición más específica: el aprendizaje colaborativo describe una situación en la que se esperan ocurran ciertas formas de interacción entre personas, susceptibles de promover mecanismos de aprendizaje, sin ninguna garantía de que tales interacciones esperadas ocurran.

El aprendizaje colaborativo se refiere a un método instruccional en el que los estudiantes trabajan juntos en pequeños grupos hacia una meta común. En estos grupos los alumnos son responsables de su propio aprendizaje y también del de sus compañeros, los talentos de cada individuo sirven como recursos para cada uno de los otros miembros del equipo, y por esto, el éxito de uno ayuda al éxito de todos. Un aspecto muy importante en el aprendizaje colaborativo es que las interacciones son negociables. Un estudiante no puede imponer su punto de vista, debe argumentar, justificar y negociar para intentar convencer al resto de sus compañeros de equipo de que su postura es la correcta. La premisa subyacente en el aprendizaje colaborativo es la construcción de consenso a través de cooperación y colaboración entre los miembros del grupo. Indudablemente, la expresión aprendizaje colaborativo es una sombrilla bajo la que se colocan varias prácticas de clase diseñadas para alentar las responsabilidades compartidas por un curso de aprendizaje, y si tales prácticas implican el uso de computadoras entonces se habla de aprendizaje colaborativo soportado por computadoras.

En el caso particular de los sistemas de aprendizaje colaborativo soportado por computadoras, incorporar agentes en sus arquitecturas puede ser una manera válida de enriquecer sus funcionalidades tradicionales. A través del uso de agentes es posible adaptar las respuestas del sistema a las necesidades y características personales de cada estudiante. Esta personalización inteligente, sumada a las ventajas mencionadas para el aprendizaje colaborativo, genera productos que benefician al proceso de aprendizaje de los estudiantes, y que además influyen positivamente en los niveles de motivación y satisfacción alcanzados. En muchos sistemas de aprendizaje los agentes se valen de la información almacenada en modelos de estudiante y de grupo para facilitar y adaptar o personalizar la interacción o la situación de aprendizaje. Un modelo de estudiante almacena información vinculada con aspectos individuales de cada alumno. Un modelo de grupo captura aspectos que identifican como un todo al grupo de estudiantes que trabajan colaborativamente dentro de un espacio compartido.

 

Guillermo Choque Aspiazu
www.eldiario.net
Junio 8 de 2009
Translate »