Los escenarios de aprendizaje se automatizan con el desarrollo de algoritmos (IA), aportando mayor valor abierto, inclusivo y ubicuo

Juan Domingo Farnós

Necesitamos con urgencia crear más, mejor y “otros espacios y otros escenarios” que sean adaptables a las necesidades de los aprendices con otras perspectivas para enriquecer y profundizar en nuestros aprendizajes, por lo que deberemos basarnos en el valor del aprendizaje de una manera ABIERTA, INCLUSIVA Y UBICUA,….y con el soporte de la IA y las TIC (no puede ser de otra manera).

ideas sobre cómo se puede lograr:

Plataformas de aprendizaje en línea: Utiliza plataformas en línea que permitan a los estudiantes acceder a recursos educativos de manera flexible y adaptativa. Estas plataformas pueden utilizar algoritmos de IA para personalizar el contenido de acuerdo con los intereses y necesidades de cada estudiante.
Aprendizaje móvil: Aprovecha la ubicuidad de los dispositivos móviles y las aplicaciones móviles para facilitar el aprendizaje en cualquier momento y lugar. Las aplicaciones educativas pueden proporcionar actividades interactivas, acceso a recursos en línea y la capacidad de colaborar con otros estudiantes.
Realidad virtual y aumentada: Incorpora la realidad virtual y aumentada en el proceso de aprendizaje. Estas tecnologías pueden crear entornos inmersivos que permiten a los estudiantes explorar conceptos de manera interactiva. Por ejemplo, pueden realizar visitas virtuales a lugares históricos o manipular objetos en un entorno virtual.

La realidad virtual y aumentada son tecnologías que han demostrado un gran potencial en el proceso de aprendizaje al proporcionar experiencias inmersivas y interactivas. Estas tecnologías permiten a los estudiantes sumergirse en entornos virtuales y tener una participación activa en su aprendizaje. A continuación, se explica cómo la realidad virtual y aumentada pueden enriquecer el proceso de aprendizaje:

Entornos inmersivos: La realidad virtual permite a los estudiantes sumergirse completamente en entornos virtuales que pueden recrear escenarios reales o imaginarios. Por ejemplo, los estudiantes pueden visitar virtualmente lugares históricos, explorar e interactuar con objetos tridimensionales o viajar a lugares remotos sin salir del aula. Esto crea una experiencia de aprendizaje envolvente que estimula la curiosidad y la participación activa.
Interacción y manipulación: Con la realidad aumentada, los estudiantes pueden superponer elementos virtuales en el mundo real, lo que les permite interactuar y manipular objetos digitales en tiempo real. Por ejemplo, pueden usar dispositivos móviles o gafas de realidad aumentada para ver modelos tridimensionales en su entorno físico y manipularlos con gestos o comandos. Esto brinda una experiencia de aprendizaje práctica y tangible, especialmente en áreas como ciencias, matemáticas y diseño.
Visualización de conceptos abstractos: Al utilizar la realidad virtual y aumentada, los conceptos abstractos pueden visualizarse de manera más concreta y comprensible. Por ejemplo, los estudiantes pueden explorar visualmente conceptos científicos abstractos, como moléculas o sistemas solares, mediante representaciones interactivas y en 3D. Esto facilita la comprensión y retención de la información, ya que se convierte en una experiencia sensorial y visualmente atractiva.
Colaboración y aprendizaje social: La realidad virtual y aumentada también fomentan la colaboración y el aprendizaje social. Los estudiantes pueden interactuar y colaborar en entornos virtuales, ya sea trabajando juntos en proyectos o resolviendo problemas en equipo. Además, estas tecnologías pueden conectar a estudiantes de diferentes lugares geográficos, permitiéndoles colaborar y aprender juntos sin barreras físicas.

La realidad virtual y aumentada ofrecen nuevas posibilidades en el ámbito educativo al crear entornos inmersivos y permitir la interacción y manipulación de objetos virtuales. Estas tecnologías promueven la participación activa de los estudiantes, mejoran la comprensión de conceptos abstractos y fomentan la colaboración y el aprendizaje social.

Para representar el uso de la realidad virtual y aumentada en el proceso de aprendizaje a través de árboles y algoritmos de Python, podemos utilizar una estructura de flujo de decisión y un ejemplo de código. Aquí tienes una representación:

Árbol de decisión:

¿Se utiliza realidad virtual en el proceso de aprendizaje?
- Sí: Continuar al siguiente paso.
- No: Fin.
¿Se utiliza realidad aumentada en el proceso de aprendizaje?
- Sí: Continuar al siguiente paso.
- No: Fin.
Mostrar beneficios de la realidad virtual y aumentada en el aprendizaje.

Algoritmo en Python:

pythonCopy codedef usar_realidad_virtual():
    # Código para utilizar realidad virtual en el aprendizaje
    print("Utilizando realidad virtual en el proceso de aprendizaje.")

def usar_realidad_aumentada():
    # Código para utilizar realidad aumentada en el aprendizaje
    print("Utilizando realidad aumentada en el proceso de aprendizaje.")

def mostrar_beneficios():
    # Código para mostrar los beneficios de la realidad virtual y aumentada en el aprendizaje
    print("Las tecnologías de realidad virtual y aumentada enriquecen el proceso de aprendizaje al proporcionar entornos inmersivos e interactivos.")

def main():
    # Pregunta si se utiliza realidad virtual en el proceso de aprendizaje
    respuesta_vr = input("¿Se utiliza realidad virtual en el proceso de aprendizaje? (sí/no): ")
    if respuesta_vr.lower() == "sí":
        usar_realidad_virtual()

    # Pregunta si se utiliza realidad aumentada en el proceso de aprendizaje
    respuesta_ar = input("¿Se utiliza realidad aumentada en el proceso de aprendizaje? (sí/no): ")
    if respuesta_ar.lower() == "sí":
        usar_realidad_aumentada()

    # Muestra los beneficios de la realidad virtual y aumentada en el aprendizaje
    mostrar_beneficios()

if __name__ == "__main__":
    main()

Este ejemplo de código en Python utiliza preguntas para determinar si se utiliza realidad virtual y realidad aumentada en el proceso de aprendizaje. Luego, ejecuta las funciones correspondientes y muestra los beneficios de estas tecnologías en el aprendizaje.

Aquí desarrollo una comparación entre realidad virtual, realidad aumentada e inmersiva utilizando un árbol:

Tecnologías de Realidad:
- Realidad Virtual (VR)
- Realidad Aumentada (AR)
- Realidad Inmersiva (IR)
Características Principales:
- Realidad Virtual (VR):
  - Entorno completamente virtual generado por ordenador.
  - Inmersión total del usuario en un entorno simulado.
  - Requiere el uso de dispositivos como cascos o gafas de VR.
  - Interacción principalmente a través de controladores o dispositivos de entrada.
- Realidad Aumentada (AR):
  - Superposición de elementos virtuales en el entorno real.
  - Combinación de información digital y contexto físico.
  - Utiliza dispositivos como smartphones, tablets o gafas AR.
  - Interacción mediante gestos, reconocimiento de objetos o comandos de voz.
- Realidad Inmersiva (IR):
  - Término general que engloba tanto la realidad virtual como la aumentada.
  - Busca una experiencia altamente envolvente e interactiva.
  - Puede incluir tecnologías de VR y AR para crear entornos inmersivos.
  - Enfoque centrado en generar una sensación de presencia y participación activa.
Uso en el Aprendizaje:
- Realidad Virtual (VR):
  - Permite a los estudiantes explorar entornos virtuales interactivos.
  - Proporciona experiencias inmersivas que facilitan la comprensión de conceptos abstractos.
  - Posibilidad de realizar simulaciones prácticas en áreas como medicina, arquitectura o entrenamiento.
  - Ofrece visitas virtuales a lugares históricos o inaccesibles.
- Realidad Aumentada (AR):
  - Mejora la interacción con el entorno físico mediante superposición de elementos virtuales.
  - Permite la visualización y manipulación de objetos digitales en contextos reales.
  - Facilita la comprensión de conceptos complejos a través de representaciones visuales interactivas.
  - Promueve el aprendizaje activo y la colaboración en entornos educativos.
- Realidad Inmersiva (IR):
  - Combina elementos de VR y AR para crear experiencias altamente envolventes.
  - Proporciona un entorno de aprendizaje estimulante y participativo.
  - Fomenta la exploración, experimentación y resolución de problemas de manera interactiva.
  - Amplía las posibilidades de aprendizaje más allá de las limitaciones del entorno físico.

Recuerda que esta comparación es solo una representación general y las características pueden variar dependiendo de las aplicaciones específicas y las tecnologías utilizadas.

Ejemplo de cómo se puede utilizar la realidad virtual, realidad aumentada y realidad inmersiva en tres clases del cuarto curso de ingeniería informática en una universidad:

Clase 1: Diseño de Interfaces de Usuario

Realidad Virtual (VR): Los estudiantes utilizan cascos de realidad virtual para sumergirse en entornos virtuales donde pueden interactuar con interfaces de usuario en 3D. Pueden realizar pruebas de usabilidad y evaluar la experiencia del usuario en un entorno simulado.
Realidad Aumentada (AR): Los estudiantes utilizan dispositivos móviles con aplicaciones de realidad aumentada para superponer interfaces de usuario virtuales en objetos del mundo real. Pueden experimentar con diferentes diseños y evaluar la usabilidad en tiempo real.

Clase 2: Desarrollo de Videojuegos

Realidad Virtual (VR): Los estudiantes utilizan cascos de realidad virtual para crear y explorar entornos virtuales inmersivos donde desarrollan y prueban juegos. Pueden interactuar con personajes y objetos virtuales en un entorno tridimensional, y evaluar la jugabilidad y la experiencia del usuario.
Realidad Aumentada (AR): Los estudiantes utilizan dispositivos móviles con aplicaciones de realidad aumentada para superponer elementos de juego en el entorno real. Pueden crear juegos basados en la ubicación y permitir a los jugadores interactuar con objetos virtuales en el mundo real.

Clase 3: Simulación de Sistemas

Realidad Virtual (VR): Los estudiantes utilizan cascos de realidad virtual para simular sistemas complejos y observar su comportamiento en un entorno virtual. Pueden modificar parámetros y ver cómo afectan el rendimiento y la eficiencia del sistema en tiempo real.
Realidad Aumentada (AR): Los estudiantes utilizan dispositivos móviles con aplicaciones de realidad aumentada para superponer datos y gráficos de simulación en el entorno real. Pueden visualizar métricas y resultados de simulaciones directamente en el contexto físico.

Estos ejemplos ilustran cómo la realidad virtual, realidad aumentada y realidad inmersiva pueden enriquecer el aprendizaje en diferentes clases de ingeniería informática. Los estudiantes pueden experimentar entornos y situaciones virtuales que les permiten practicar habilidades, explorar conceptos complejos y mejorar su comprensión de los temas tratados en el plan de estudios.

Entornos de aprendizaje colaborativo: Crea espacios en línea donde los estudiantes puedan colaborar entre sí y con expertos en el tema. Estos entornos pueden incluir foros de discusión, herramientas de chat en tiempo real y plataformas de colaboración en proyectos.
Recursos educativos abiertos: Promueve el uso de recursos educativos abiertos (REA) que estén disponibles de forma gratuita y accesible para todos. Esto permite a los estudiantes acceder a una amplia gama de materiales de aprendizaje y adaptarlos a sus propias necesidades.
Personalización del aprendizaje: Utiliza algoritmos de IA para adaptar el contenido y las actividades de aprendizaje a las características individuales de cada estudiante. Esto puede incluir recomendaciones personalizadas de recursos, evaluaciones adaptativas y retroalimentación individualizada.
Evaluación formativa y retroalimentación automática: Incorpora herramientas de evaluación formativa que utilicen la IA para proporcionar retroalimentación instantánea a los estudiantes. Esto les permite realizar un seguimiento de su progreso y realizar ajustes en su aprendizaje.

La utilización de las TIC ya no es suficiente y necesitamos imperiosamente la utilización de la Inteligencia artificial:

TIC (Tecnologías de la Información y Comunicación):
- Tablas: Las TIC pueden permitir el uso de tablas electrónicas para organizar y presentar datos de manera estructurada. Las tablas son útiles para recopilar información, realizar cálculos y crear visualizaciones básicas. Pueden utilizarse en diversas áreas, como la gestión de datos, el análisis estadístico y la representación gráfica de información.
- Algoritmos: Las TIC también se basan en algoritmos para realizar operaciones específicas. Los algoritmos son secuencias de instrucciones lógicas y matemáticas que se utilizan para resolver problemas y ejecutar tareas en los sistemas informáticos. Pueden ayudar en la automatización de procesos, el análisis de datos y la toma de decisiones.
IA (Inteligencia Artificial):
- Tablas: La IA puede ir más allá del uso de tablas estáticas y permitir el procesamiento inteligente de datos a través de técnicas de aprendizaje automático y análisis de datos. Los modelos de IA pueden identificar patrones y tendencias en conjuntos de datos masivos y realizar análisis predictivos más sofisticados que las tablas convencionales. Por ejemplo, los sistemas de recomendación basados en IA utilizan algoritmos para personalizar las recomendaciones de productos o contenido según el comportamiento del usuario.
- Algoritmos: La IA utiliza algoritmos más complejos y avanzados en comparación con las TIC tradicionales. Los algoritmos de IA incluyen técnicas de aprendizaje automático, como algoritmos de clasificación, regresión, agrupamiento y redes neuronales, entre otros. Estos algoritmos permiten a los sistemas de IA aprender y adaptarse a partir de los datos, mejorar su rendimiento con la experiencia y tomar decisiones basadas en la información disponible.

Mientras que las TIC utilizan tablas y algoritmos convencionales para organizar y procesar datos, la IA emplea técnicas más avanzadas y sofisticadas en términos de tablas y algoritmos. La IA puede realizar análisis más complejos y proporcionar resultados más precisos y personalizados, ya que tiene la capacidad de aprender y adaptarse a partir de los datos mediante algoritmos de aprendizaje automático y redes neuronales.

Aquí expongo un ejemplo de cómo se podría representar un árbol comparativo utilizando Python para comparar la utilización de las TIC y la IA en términos de tablas y algoritmos:

pythonCopy codeimport matplotlib.pyplot as plt

# Datos para el árbol comparativo
categorias = ['TIC', 'IA']
tablas = [2, 4]
algoritmos = [3, 5]

# Configuración del gráfico
fig, ax = plt.subplots()
ax.set_title('Comparación entre TIC e IA')
ax.set_xlabel('Categorías')
ax.set_ylabel('Cantidad')

# Dibujar las barras para las tablas
ax.bar(categorias, tablas, label='Tablas', color='blue')

# Dibujar las barras para los algoritmos
ax.bar(categorias, algoritmos, label='Algoritmos', color='orange')

# Mostrar la leyenda
ax.legend()

# Mostrar el gráfico
plt.show()

En este ejemplo, se utiliza la biblioteca matplotlib de Python para generar un gráfico de barras que muestra la comparación entre TIC e IA en términos de tablas y algoritmos. Las barras azules representan la cantidad de tablas para cada categoría, mientras que las barras naranjas representan la cantidad de algoritmos.

En cuanto a los algoritmos de Python relacionados con TIC e IA, hay una amplia variedad de opciones. A continuación, te proporciono algunos ejemplos de algoritmos que podrían estar involucrados en cada área:

TIC:

Algoritmo de clasificación de datos utilizando el algoritmo de vecinos más cercanos (K-Nearest Neighbors).
Algoritmo de agrupamiento de datos utilizando el algoritmo de k-means.
Algoritmo de regresión lineal para predecir valores numéricos.

IA:

Algoritmo de aprendizaje automático supervisado, como el algoritmo de regresión logística.
Algoritmo de aprendizaje automático no supervisado, como el algoritmo de agrupamiento espectral.
Algoritmo de redes neuronales para reconocimiento de imágenes, utilizando bibliotecas como TensorFlow o PyTorch.

Recuerda que estos son solo ejemplos y hay muchos más algoritmos disponibles en el campo de la TIC y la IA. La elección del algoritmo dependerá de los requisitos específicos y los objetivos del problema que estés abordando.

Ejemplo de cómo se puede implementar un algoritmo de regresión utilizando Python. En este caso, utilizaré el algoritmo de regresión lineal para predecir la cantidad de algoritmos basados en TIC e IA en función del número de tablas.

pythonCopy codeimport numpy as np
from sklearn.linear_model import LinearRegression

# Datos de entrada
tablas = np.array([2, 4, 6, 8, 10])
algoritmos = np.array([3, 5, 7, 9, 11])

# Crear el modelo de regresión lineal
regresion = LinearRegression()

# Entrenar el modelo con los datos
regresion.fit(tablas.reshape(-1, 1), algoritmos)

# Predecir la cantidad de algoritmos para un nuevo valor de tablas
nuevas_tablas = np.array([12, 14, 16])
predicciones = regresion.predict(nuevas_tablas.reshape(-1, 1))

# Imprimir las predicciones
for i in range(len(nuevas_tablas)):
    print(f"Para {nuevas_tablas[i]} tablas, se predicen {predicciones[i]} algoritmos.")

En este ejemplo, utilizo la biblioteca numpy para crear los datos de entrada: tablas representa el número de tablas y algoritmos representa la cantidad correspondiente de algoritmos basados en TIC e IA.

A continuación, utilizo la clase LinearRegression de la biblioteca scikit-learn para crear el modelo de regresión lineal. Entreno el modelo utilizando el método fit(), pasando las características (tablas) y los valores objetivo (algoritmos).

Luego, utilizo el modelo entrenado para hacer predicciones sobre nuevas cantidades de tablas (12, 14 y 16) utilizando el método predict(). Finalmente, imprimo las predicciones.

Ten en cuenta que este es solo un ejemplo simple de regresión lineal. En aplicaciones más complejas, podrías necesitar realizar una exploración de datos más exhaustiva, dividir los datos en conjuntos de entrenamiento y prueba, realizar una validación cruzada, entre otros pasos para mejorar el rendimiento y la precisión del modelo.

Autores y universidades que han escrito sobre los temas de TIC, IA y educación, junto con una breve descripción de sus obras:

Seymour Papert – Massachusetts Institute of Technology (MIT): Papert es conocido por su trabajo en el campo de la educación y la informática. Su libro «Mindstorms: Children, Computers, and Powerful Ideas» explora cómo las TIC, como la programación y el uso de robots, pueden potenciar el aprendizaje en los niños.
Linda Darling-Hammond – Stanford University: Darling-Hammond es una experta en educación y ha escrito extensamente sobre la integración de las TIC en el aula. Su libro «Preparing Teachers for a Changing World: What Teachers Should Learn and Be Able to Do» examina cómo la tecnología puede mejorar la enseñanza y el aprendizaje.
Sherry Turkle – Massachusetts Institute of Technology (MIT): Turkle ha investigado ampliamente el impacto de la tecnología en la sociedad y la educación. Su libro «Alone Together: Why We Expect More from Technology and Less from Each Other» explora cómo la tecnología afecta nuestras relaciones humanas y cómo se relaciona con el aprendizaje.
Neil Selwyn – Monash University: Selwyn se ha centrado en la relación entre las TIC y la educación. Su libro «Distrusting Educational Technology: Critical Questions for Changing Times» analiza de manera crítica cómo las TIC se implementan en la educación y plantea interrogantes sobre su efectividad y equidad.
José Antonio Marina – Universidad de Barcelona: Marina es un filósofo y pedagogo español que ha escrito sobre la educación y el uso de la tecnología en el aprendizaje. Sus obras, como «La educación del talento» y «La inteligencia ejecutiva», exploran cómo la IA y las TIC pueden mejorar el proceso educativo.
Cathy N. Davidson – Duke University: Davidson se ha centrado en la transformación de la educación en la era digital. Su libro «The New Education: How to Revolutionize the University to Prepare Students for a World in Flux» analiza cómo las TIC y la IA pueden cambiar la educación superior y adaptarse a las necesidades actuales.
Sugata Mitra – Newcastle University: Mitra es conocido por su trabajo en el campo de la educación autodirigida y la tecnología. Sus investigaciones sobre «Hole-in-the-Wall» y el concepto de «Escuela en la Nube» exploran cómo la tecnología puede facilitar el aprendizaje autónomo en entornos informales.
Audrey Watters – Independent Writer and Researcher: Watters es una crítica de la tecnología educativa y ha escrito extensamente sobre el tema. Sus obras, como «The Monsters of Education Technology» y «Teaching Machines: Learning from the Intersection of Education and Technology», examinan las implicaciones y los desafíos de la tecnología en la educación.
Roger Schank – Northwestern University: Schank ha trabajado en el campo de la inteligencia artificial y la educación. Sus escritos se centran en la creación de entornos de aprendizaje basados en IA y cómo la tecnología puede mejorar la experiencia educativa.

Si pretendemos crear escenarios abiertos, y más si son masivos, las proporciones de complejidad irán aumentando ya que el “control” deja de estar en manos de la “organización” para pasar a formar parte de la ecología de los aprendices…

La experiencia de la última década ha demostrado (véase Bates, 2000; Bates y Poole, 2003) que, para lograr el uso sostenible y eficaz de las TIC en la enseñanza y el aprendizaje en toda la organización, no es suficiente para confiar en los esfuerzos de unos pocos,..si no implicar a toda una comunidad, y mejor si vamos más allá de la propia comunidad y lo extrapolamos a fenómenos que sin estar previstos, pueden llegar a suceder.

Todo ello quizás no es “gestionable” a nivel organizativo, pero si podemos poner unas “expectativas” de autocreación y de retroalimentación, las cuales pueden ser utilizadas por los aprendices en sus posteriores aprendizajes y desaprendizajes.

Leyendo y analizando a Maree Gosper en el el programa “Liderazgo y Gestión del Desarrollo de Ambientes e.learning ‘, obviamente críticarían mis argumentos y posiciones en este tema. Habiendo dicho esto, sin embargo, acepto la responsabilidad de las posiciones defendidas , y animo a hacer que las críticas vengan de personas implicadas en procesos innovadores y creativos, lo cuál hará que estos aspectos tomen más cuerpo y vayan desarrollándose y mejorándose en el tiempo.

La manera en que definiremos los problemas de política o de gestión, de todo este proceso, – la forma en que construimos nuestra comprensión de ellos – en gran medida determina las formas en que tratamos de resolverlos, mejorarlos y de alguna manera, implementarlos.

Según Bolman y Deal (2003), y para para aquellos de nosotros que interpretan nuestras organizaciones desde una perspectiva estructural, para ellos creando patrones, para mi (Juan Domingo Farnós, creando estructuras personalizadas según los planteamientos y necesidades de las personas, de los espacios y de los tiempos) las organizaciones son eficaces en el logro de sus objetivos en la medida en que encuentran un ajuste adecuado entre sus estructuras, estrategias y los entornos en los que operar.

Aquí tenemos un árbol comparativo que muestra las diferencias entre la perspectiva estructural de Bolman y Deal y el enfoque de estructuras personalizadas de Juan Domingo Farnós

Perspectiva Estructural (Bolman y Deal, 2003):

Enfocado en el ajuste entre estructuras, estrategias y entornos.
Busca la eficacia organizativa a través de patrones organizativos efectivos.
Considera la alineación de jerarquías, roles, procesos y sistemas.

Enfoque de Estructuras Personalizadas (Juan Domingo Farnós):

Reconoce la diversidad y las necesidades individuales dentro de las organizaciones.
Crea estructuras adaptadas a las personas, los espacios y los tiempos.
Busca la personalización y la flexibilidad en las estructuras organizativas.

Es importante destacar que estas son dos perspectivas diferentes y no necesariamente excluyentes. Ambos enfoques pueden tener sus méritos y aplicarse en diferentes contextos organizativos. La elección de un enfoque dependerá de los objetivos, las características y las necesidades específicas de cada organización.

La representación de conceptos organizacionales y perspectivas teóricas en forma de algoritmos puede ser un desafío, ya que los algoritmos son más adecuados para el procesamiento de datos y la resolución de problemas específicos. Sin embargo, puedo proporcionarte un ejemplo simplificado de cómo podrías representar de manera conceptual los conceptos de la perspectiva estructural de Bolman y Deal y tu enfoque de estructuras personalizadas utilizando pseudocódigo:

pythonCopy code# Algoritmo para la perspectiva estructural (Bolman y Deal)
def perspectiva_estructural(estructuras, estrategias, entornos):
    ajuste = analizar_ajuste(estructuras, estrategias, entornos)
    if ajuste == 'adecuado':
        return "La organización es eficaz en el logro de sus objetivos."
    else:
        return "Se requiere un ajuste adecuado entre estructuras, estrategias y entornos."

# Algoritmo para el enfoque de estructuras personalizadas (Juan Domingo Farnós)
def estructuras_personalizadas(personas, espacios, tiempos):
    estructuras = crear_estructuras_personalizadas(personas, espacios, tiempos)
    return estructuras

# Ejemplo de uso de los algoritmos
estructuras_org = [...]  # Lista de estructuras organizativas existentes
estrategias_org = [...]  # Lista de estrategias adoptadas por la organización
entornos_org = [...]  # Lista de desafíos y requerimientos del entorno

resultado_estructural = perspectiva_estructural(estructuras_org, estrategias_org, entornos_org)
print(resultado_estructural)

personas_org = [...]  # Lista de personas dentro de la organización
espacios_org = [...]  # Lista de espacios físicos y virtuales disponibles
tiempos_org = [...]  # Lista de horarios y plazos

estructuras_personalizadas = estructuras_personalizadas(personas_org, espacios_org, tiempos_org)

En este ejemplo, se utilizan dos funciones ficticias (perspectiva_estructural y estructuras_personalizadas) para representar los conceptos. La función perspectiva_estructural analiza el ajuste entre las estructuras, las estrategias y los entornos, y devuelve un mensaje que indica si la organización es eficaz o si se necesita un ajuste adecuado.

La función estructuras_personalizadas crea estructuras personalizadas basadas en las características de las personas, los espacios y los tiempos dentro de la organización. Esta función podría implementarse de manera más detallada para adaptar las estructuras a las necesidades específicas.

Es importante tener en cuenta que estos ejemplos son simplificados y no representan algoritmos completos. Además, el pseudocódigo se utiliza para expresar ideas y conceptos, pero no es una implementación real en Python. La adaptación de estos conceptos a algoritmos completos requeriría un análisis más detallado de los requisitos y las estructuras de datos involucradas.

Posición personalizada de Juan Domingo Farnós en Python, puedes hacerlo utilizando variables y estructuras de datos. Aquí tenemos un ejemplo de cómo se podría representar su posición personalizada:

pythonCopy code# Datos de Juan Domingo Farnós
nombre = "Juan Domingo Farnós"
cargo = "Director de Innovación y Tecnología Educativa"
departamento = "Departamento de Educación"
espacios = ["Aula Virtual", "Despacho", "Laboratorio de Innovación"]
horarios = {
    "Lunes": "9:00 AM - 1:00 PM",
    "Martes": "9:00 AM - 12:00 PM",
    "Miércoles": "9:00 AM - 5:00 PM",
    "Jueves": "9:00 AM - 1:00 PM",
    "Viernes": "9:00 AM - 12:00 PM"
}

# Imprimir la posición personalizada de Juan Domingo Farnós
print(f"Nombre: {nombre}")
print(f"Cargo: {cargo}")
print(f"Departamento: {departamento}")
print("Espacios:")
for espacio in espacios:
    print(f"- {espacio}")
print("Horarios:")
for dia, horario in horarios.items():
    print(f"- {dia}: {horario}")

En este ejemplo, se definen variables para el nombre, el cargo y el departamento de Juan Domingo Farnós. La variable espacios es una lista que contiene los diferentes espacios en los que trabaja, como el aula virtual, el despacho y el laboratorio de innovación. La variable horarios es un diccionario que asigna los horarios correspondientes a cada día de la semana.

Al imprimir la posición personalizada de Juan Domingo Farnós, se muestra su nombre, cargo y departamento. Luego se imprimen los espacios en los que trabaja y los horarios correspondientes a cada día de la semana.

Ten en cuenta que estos datos y estructuras son solo ejemplos y puedes personalizarlos según las características específicas de la posición de Juan Domingo Farnós.

Para esas personas, la estructura de una organización, o su “patrón de … roles y relaciones, … puede acomodar ambas metas colectivas y las diferencias individuales” , y por lo tanto dar lugar a entornos de trabajo productivas y armoniosas, pero para los que consideramos que las maneras de complejidad y de descontextualización, son mayormente aprovechables con las TIC, las TAC y especialmente con tecnologías colaborativas que nos permitan empoderarnos de nuestros aprendizajes (Empoderarnos y ser competentes en aspectos digitales, es no solo una necesidad si no una manera de vivir a día de hoy y de mañana. Ahora bien la gran pregunta es :¿nos garantiza mejores aprendizajes? ¿nos asegura un mejor desenvolvimiento en la sociedad?)

El objetivo es utilizar los eventos en su vida como oportunidades de aprendizaje tanto como sea posible (o mejor). También se puede mezclar algo de práctica simulada (por ejemplo, un juego de realidad alternativa) si no está ocurriendo a una velocidad suficiente en la vida real, pero el objetivo es hacer coincidir el plan de desarrollo del aprendizaje a la velocidad a la que efectivamente aprenden.

Y, para ser claros, no aprender de forma efectiva por un vertedero de conocimiento de una sola vez y un concurso…como podría ser una oposición…, en la medida de lo que hacemos en realidad resulta ser.

La tecnología estará ahí siempre, debemos empezar a usarla para desarrollar, para alcanzar nuestros objetivos de manera adecuada. La oportunidad está ahí, está lista para aprovecharla:

1. Introducción y prácticas de aprendizaje. Modelo de gestión por competencias y su valoración, Mini- Proyecto de Innovación (presencial y/o virtual)

2. Innovación: ¿Qué es?

Principios básicos y paradigmas

Tendencias globales. Competencias para gerenciar la innovación

Interpretación de los resultados en la valoración de competencias

Mini- Proyecto de Innovación

3. Creatividad e Innovación ¿Quién fue primero?

Algunas historias de innovación. La innovación y el cambio en las organizaciones: cómo gestionar el gobierno de la innovación

Competencias del día: Visión Estratégica del Cambio + Innovación

4. Ejecución de las ideas innovadoras: riesgos y aceleradores

Sistema de gestión de ideas. Indicadores. Balanced Score Card

Competencias del día: Orientación a resultados + Influencia

5. Cultura de innovación y calidad de servicio: mapa de innovación centrado en el cliente

Tendencias globales en servicios. Prácticas innovadoras

Competencias del día: Orientación al cliente + Autocrítica

6. Comunicación de la Innovación

Competencias del día: Comunicación influyente + Integridad

Presentación de Mini-Proyecto de Innovación

Valores y Buenas Prácticas para el Aprendizaje:

-Libertad para disentir: dos condiciones para el aprendizaje: respetar y agregar valor

-Contraste de ideas: discusión abierta entre pares, búsqueda del reto, por cada crítica, una sugerencia

-Uso de los sombreros para pensar

-Trabajo individual: análisis, reflexión, expresión de opinión

-Trabajo en equipo: análisis, discusión, acuerdo y resultados

-Cacería de tendencias: mirar el entorno, combinar atributos, conocer otras fórmulas http://crearesultados.blogspot.com/

Gestionaríamos un PERFIL INNOVADOR Y/O PERSONALIZADO…

a) Un conjunto de características personales y profesionales existentes en las personas a través de las cuales alcanzan resultados diferenciadores para su organización o emprendimiento.

El emprendimiento puede ser una poderosa herramienta para mejorar el aprendizaje en el contexto de la educación disruptiva y la inteligencia artificial (IA). Aquí hay algunas ideas sobre cómo se puede lograr esto:

Fomentar la mentalidad emprendedora: La educación disruptiva debe fomentar la mentalidad emprendedora en los estudiantes, ayudándoles a desarrollar habilidades como la creatividad, el pensamiento crítico, la resolución de problemas y la toma de decisiones. Esto les permitirá enfrentar los desafíos de manera innovadora y desarrollar soluciones nuevas.
Proyectos emprendedores: Integre proyectos emprendedores en el plan de estudios, donde los estudiantes puedan aplicar sus conocimientos en un contexto real. Esto podría incluir desafíos empresariales, simulaciones empresariales, proyectos de investigación y desarrollo de productos o servicios, entre otros. La IA puede ser utilizada como una herramienta para la creación de prototipos, el análisis de datos y la automatización de tareas.
Colaboración y trabajo en equipo: Fomente la colaboración y el trabajo en equipo entre los estudiantes, promoviendo proyectos grupales emprendedores. Esto les permitirá aprender a trabajar en equipo, aprovechar las fortalezas de cada miembro y desarrollar habilidades de comunicación efectiva y resolución de conflictos.
Mentores y expertos: Conecte a los estudiantes con mentores y expertos en emprendimiento, tanto dentro como fuera del entorno educativo. Estas personas pueden brindar orientación, compartir experiencias y proporcionar retroalimentación constructiva, ayudando a los estudiantes a desarrollar sus ideas y proyectos emprendedores.
Utilizar tecnologías emergentes: La IA puede desempeñar un papel importante en el aprendizaje a través del emprendimiento. Las tecnologías emergentes, como el aprendizaje automático y el procesamiento del lenguaje natural, pueden ser utilizadas para analizar datos, identificar tendencias, generar ideas innovadoras y personalizar el aprendizaje para cada estudiante.
Fomentar la resiliencia y la tolerancia al fracaso: El emprendimiento implica riesgos y fracasos. Es importante fomentar la resiliencia y la tolerancia al fracaso en los estudiantes, enseñándoles a aprender de sus errores, adaptarse a los cambios y perseverar en la búsqueda de sus objetivos.
Conexiones con la comunidad empresarial: Establezca conexiones y asociaciones con la comunidad empresarial local e internacional. Esto puede proporcionar oportunidades para que los estudiantes interactúen con emprendedores reales, visiten empresas, participen en eventos y competencias empresariales, y obtengan retroalimentación y apoyo adicional.

El aprendizaje a través del emprendimiento en el contexto de la educación disruptiva y la IA requiere un enfoque práctico, basado en la experiencia y la aplicación de conocimientos. Además, es importante adaptar estas ideas a las necesidades y características específicas de los estudiantes y el entorno educativo en el que se encuentran.

pythonCopy codedef fomentar_mentalidad_emprendedora():
    # Implementa acciones para fomentar la mentalidad emprendedora
    # en los estudiantes, como actividades de creatividad, resolución
    # de problemas y toma de decisiones.

def realizar_proyectos_emprendedores():
    # Implementa proyectos emprendedores en el plan de estudios,
    # donde los estudiantes puedan aplicar sus conocimientos en
    # un contexto real. Utiliza la IA para apoyar la creación de
    # prototipos, análisis de datos y automatización de tareas.

def fomentar_colaboracion():
    # Fomenta la colaboración y el trabajo en equipo entre los
    # estudiantes. Crea proyectos grupales emprendedores donde
    # puedan trabajar juntos, aprovechando las fortalezas de cada
    # miembro y desarrollando habilidades de comunicación y
    # resolución de conflictos.

def conectar_con_mentores():
    # Conecta a los estudiantes con mentores y expertos en
    # emprendimiento, quienes pueden brindar orientación y
    # retroalimentación constructiva para ayudar a desarrollar
    # ideas y proyectos emprendedores.

def utilizar_tecnologias_emergentes():
    # Utiliza tecnologías emergentes como la IA para analizar
    # datos, generar ideas innovadoras y personalizar el aprendizaje
    # para cada estudiante.

def fomentar_resiliencia():
    # Fomenta la resiliencia y la tolerancia al fracaso en los
    # estudiantes, enseñándoles a aprender de los errores, adaptarse
    # a los cambios y perseverar en la búsqueda de sus objetivos.

def conectar_con_comunidad_empresarial():
    # Establece conexiones y asociaciones con la comunidad empresarial,
    # proporcionando oportunidades para que los estudiantes interactúen
    # con emprendedores reales, visiten empresas y participen en eventos
    # y competencias empresariales.

# Ejecutar las funciones correspondientes al emprendimiento y la educación disruptiva
fomentar_mentalidad_emprendedora()
realizar_proyectos_emprendedores()
fomentar_colaboracion()
conectar_con_mentores()
utilizar_tecnologias_emergentes()
fomentar_resiliencia()
conectar_con_comunidad_empresarial()

Este es solo un ejemplo básico para representar las ideas en forma de funciones que podrían implementarse dentro de un algoritmo más complejo. Cada función representa una idea o concepto específico mencionado anteriormente.

Es importante tener en cuenta que este algoritmo es solo un esquema general y debería adaptarse y ampliarse según las necesidades y características específicas del contexto educativo en el que se aplique.

En este ejemplo, creamos una universidad que contiene cursos. Se agrega un curso específico sobre emprendimiento. Luego, se crean estudiantes y se agregan al curso. Uno de los estudiantes decide emprender un proyecto relacionado con IA. A continuación, se introduce el concepto de liderazgo, donde un líder lidera un equipo de estudiantes en un proyecto conjunto.

Este ejemplo ilustra cómo los elementos de emprendimiento, educación disruptiva, IA, TIC, liderazgo, universidad y empresa pueden integrarse en un escenario educativo concreto. Es importante tener en cuenta que este ejemplo es una representación simplificada y se pueden realizar modificaciones y expansiones según las necesidades y características específicas del contexto educativo

pythonCopy code

class Universidad: def __init__(self, nombre): self.nombre = nombre self.cursos = [] def agregar_curso(self, curso): self.cursos.append(curso) class Curso: def __init__(self, nombre, profesor): self.nombre = nombre self.profesor = profesor self.estudiantes = [] def agregar_estudiante(self, estudiante): self.estudiantes.append(estudiante) class Estudiante: def __init__(self, nombre): self.nombre = nombre def emprender_proyecto(self, proyecto): proyecto.ejecutar() class Proyecto: def __init__(self, nombre, descripcion): self.nombre = nombre self.descripcion = descripcion def ejecutar(self): print(f"Ejecutando el proyecto {self.nombre}: {self.descripcion}") # Aquí iría la implementación del proyecto, que involucraría IA, TIC, etc. class Liderazgo: def __init__(self, nombre): self.nombre = nombre def liderar_equipo(self, equipo): equipo.trabajar() class Equipo: def __init__(self, nombre, miembros): self.nombre = nombre self.miembros = miembros def trabajar(self): print(f"El equipo {self.nombre} está trabajando en un proyecto conjunto.") # Creación de una universidad universidad = Universidad("Universidad Ejemplo") # Creación de un curso curso = Curso("Introducción al emprendimiento", "Profesor Ejemplo") # Agregar el curso a la universidad universidad.agregar_curso(curso) # Creación de estudiantes estudiante1 = Estudiante("Estudiante 1") estudiante2 = Estudiante("Estudiante 2") # Agregar estudiantes al curso curso.agregar_estudiante(estudiante1) curso.agregar_estudiante(estudiante2) # Creación de un proyecto proyecto = Proyecto("Proyecto de IA", "Desarrollo de un sistema de reconocimiento de imágenes") # Estudiante 1 emprende el proyecto estudiante1.emprender_proyecto(proyecto) # Creación de un liderazgo liderazgo = Liderazgo("Líder Ejemplo") # Creación de un equipo equipo = Equipo("Equipo de Innovación", [estudiante1, estudiante2]) # El líder lidera el equipo en un proyecto conjunto liderazgo.liderar_equipo(equipo)

b) El perfil innovador supera los desafíos de su tiempo, cambia las prácticas habituales y logra desempeño superior usando paradigmas distintos a los de sus pares:

-Con características personales expresadas en comportamientos observables, en el ámbito de la gerencia, que: Se expresan en conductas observables

-Ocurren en diversidad de situaciones

-Ocurren con frecuencia a lo largo del tiempo

-Predicen el desempeño superior

-Componen un perfil

Modelo de Competencias:

-Un método que conjuga las conductas típicas del mejor desempeño y las conjuga entre si.

El método provee:

1-Relación de los comportamientos con la estructura, cultura, estrategia y retos de la organización. Comportamientos observables que sirven de referencia y ejemplo.

2-Predecir éxito frente a las responsabilidades asignadas

3-Se aplica en los diferentes procesos de RR.HH: conexión, desarrollo, compensación..

Todo ello nos lleva a una Formación INCLUSIVA, UBICUA,…donde la búsqueda de la EXCELENCIA de manera personal y social son el punto de mira y uno delos pilares básicos de esta NUEVA SOCIEDAD DISRUPTIVA.

Esta nueva Sociedad hace que se genera otra Cultura de la Educación, donde ya nadie se “refugiará” en el paraguas de las Escuelas y Universidades, éstas han perdido su “poder” de valores refugio, de totems del conocimiento y de “validadores” de titulaciones que no solo no servían para nada sino que segregaban, establecían brechas que encumbraban a unos y “hundían en la miseria a otros (los marginaban y excluían socialmente).

Esta Sociedad quiere formación de calidad, libre, INCLUSIVA oportunidades de formarse, sin depender de la accesibilidad, de la economía, de su situación de habitabilidad, del control temporal…(UBICUIDAD) que la Tecnología (TIC) se lo facilitará y la Sociedad, la que aceptará todos estos condicionantes como los únicos que importarán, ello hará que cada persona pueda sacar su EXCELENCIA, lo mejor que puede aportar a los demás, tanto como consumidor como productor (PROSUMERS), y nadie le podrá impedir llevarlo a buen puerto, con lo que no sólo cada uno como indivíduo mejorará, sino que ello beneficiará a la colectividad.

Sin L & D (aprendizaje y desarrollo) faltará una parte del enfoque «holístico hacia el desarrollo individual y la transformación de toda la organización.

Las nuevas organizaciones abiertas, inclusivas y ubicuas necesitan de ello, es más, parece obvio que sin un departamento como ese, sería difícil que sobreviviera cualquier organización ni tampoco que progresara y me refiero a sus personas, naturalmente, a sus comunidades y a sus individuos.

Los centros educativos, también, naturalmente, necesitan de un GABINETE DE IDEAS y de IMPLEMENTACIÓN DE LAS MISMAS… especialmente que pudiese hacer entender que el aprendizaje y el trabajo son lo mismo:

…Los individuos tomarían responsabilidad personal por su propio éxito en el trabajo y aprendizaje.

…El lugar de trabajo sería más favorable para las tareas que se realizaron allí.

…Las tareas se simplificarán siempre que sea posible, y se apoyarán con ayudas de rendimiento

…Los dirigentes, rectores, gerentes manejarían y proveerían a los aprendices, trabajadores con las habilidades, la información, el conocimiento y el ambiente que necesitan para tener éxito

…Se reconocería que el fracaso es una oportunidad para que el individuo, el equipo y la organización aprendan y mejoren

…La dinámica de los equipos se fortalecería y cada persona sería una parte interesada en, y contribuir al éxito de uno y todos

…La gente encontraría una manera de hacer las cosas

…Un montón de tiempo perdido se recuperaría!

Nunca antes esto fue posible, por tanto ahora debemos aprovecharnos de ello y anteponerlo a cualquier otra circunstancias, eliminando aquellas trabas que no lo hacían posible, pero hacerlo de un plumazo, sin miramientos proteccionistas sin sentido.

Estamos en el tiempo de Internet, de la Inteligencia Múltiple, de la Inteligencia Artificial…y debemos coger de todas lo mejor que tienen y emplearlo para mejorar ·todos· no unos cuantos, es la época del CIUDADANO y su hábitat es la SOCIEDAD, por tanto es des de aquí donde debemos pensar, ejecutar y servir, si lo hacemos, conseguiremos caminos que nos conducirán hacia “territorios” que nunca en la historia de la humanidad fueron posibles.

Todo ello quiere ser la “avanzadilla” de lo que será lo que denominamos SOCIEDAD DISRUPTIVA, la cuál construirán otras personas, ya no las que ahora están ocupando lugares de lideraje, responsabilidad…los cuáles seguramente no estarían por la labor de hacerlo, o por tener adquiridos ciertos “tics”, pero también porque los relevos entraman “higienes” necesarias en cualquier nueva etapa de la vida.

Actualmente queremos ver cómo se desarrolla el aprendizaje dentro de diferentes parámetros, y me explico, sabemos las tipologías de aprendizajes que hemos querido tener de manera cultural y por tradiciones, pero es bien sabido que los conocemos actuando por separada, por el contrario, si pensamos como inteactuarían los unos con los otros y si son necesarias estas posiciones, sabemos bien poco.

Cuando examinamos una gama de diferentes contextos en los que el aprendizaje se lleva a cabo, descubrimos que lo que llamamos ‘atributos’ de formalidad / informalidad están presentes en cualquier situación, aunque solo actúe uno de ellos.

Significan tanto las características del aprendizaje en una amplia variedad de situaciones, y también el hecho de que son las personas la que atribuyen etiquetas como tales características formales, no formales e informales,para nuestro análisis nos sugiere que estos atributos de formalidad / informalidad están presentes en todas las situaciones de aprendizaje, sino que las interrelaciones entre esos atributos formales e informales varían de una situación a otra.

Es importante no ver los atributos formales e informales como algo separado, a la espera de ser integrados. Este es el punto de vista dominante en la literatura, y es un error. Por lo tanto, el desafío no es, de alguna manera, combinar el aprendizaje formal e informal, para los atributos formales e informales están presentes y relacionados entre sí, lo queramos o no.

El reto consiste en reconocer e identificar, y entender su implicaciones. Por esta razón, el concepto de aprendizaje no formal, por lo menos cuando se ve como un estado intermedio entre la educación formal y no formal, es redundante.

Dentro de la dimensión “política”, existen las frecuentes declaraciones sobre el potencial emancipatorio superior de la educación no formal. Esto es peligrosamente engañosa. Nuestra red de arrastre nos ha hecho ver que todas las situaciones de aprendizaje contienen desigualdades de poder importantes, y que el aprendizaje informal / no formal y formal puede ser todos emancipadores u opresivos y a menudo al mismo tiempo.

Un punto de partida obvio aquí es la ubicación física del aprendizaje. ¿Está en una escuela o universidad (formal), el lugar de trabajo, la comunidad o la familia (informal)? Pero el ajuste de aprendizaje importa de otras maneras, también. El aprendizaje informal es a menudo descrito como abierto, con restricciones poco tiempo, no se especifica ningún currículo predeterminado objetivos de aprendizaje sin la certificación externa, etc

El aprendizaje formal es visto como lo contrario de todas estas cosas. Para aquellos con una perspectiva política radical, muchas de las cosas que caracterizan el aprendizaje formal se ve como represivo.

Por otro lado, los enfoques de la administración pública más instrumentales están buscando maneras de introducir estas características “formales” con el aprendizaje informal o no formal que quieren mejorar y apoyo. Desde el punto de vista teórico, la ubicación y el entorno son partes fundamentales de la práctica auténtica. Es la sinergia entre las prácticas y el establecimiento que garantiza el éxito del aprendizaje. El supuesto es que estas sinergias se logran principalmente en entornos informales mediante procesos informales. Sin embargo, nuestro enfoque se plantea la posibilidad de buscar esas sinergias en ámbitos más formales de aprendizaje, así, y los ejemplos se da en el informe completo. Billett (2002) nos recuerda que los ajustes no educativos hay dimensiones, que no deben pasarse por alto de manera fuertemente formalizada.

Esto cubre la naturaleza de lo que se está aprendiendo:

-¿Es esta la adquisición de conocimientos de expertos / comprensión / prácticas establecidas (formales), o el desarrollo de algo nuevo (informal)?

Veamos cómo se aplican estos conceptos:

Adquisición de conocimientos de expertos: Los estudiantes adquieren conocimientos a través de cursos ofrecidos por la universidad y son guiados por profesores expertos en el campo del emprendimiento. Además, se menciona la conexión con mentores y expertos en emprendimiento, lo que proporciona la oportunidad de adquirir conocimientos y recibir orientación de personas con experiencia en el campo.
Comprensión de prácticas establecidas: Los estudiantes participan en cursos establecidos que cubren temas de emprendimiento y se les brinda la oportunidad de comprender las prácticas y principios establecidos en este campo. El liderazgo también juega un papel importante en la comprensión y aplicación de prácticas establecidas para liderar y gestionar equipos.
Desarrollo de algo nuevo: A través del enfoque emprendedor, se alienta a los estudiantes a emprender proyectos y desarrollar algo nuevo. En el ejemplo, uno de los estudiantes decide emprender un proyecto de IA, lo que implica el desarrollo de un sistema de reconocimiento de imágenes. Esto representa el aspecto más informal y creativo, donde los estudiantes tienen la libertad de explorar nuevas ideas y soluciones innovadoras.

El ejemplo combina tanto la adquisición de conocimientos de expertos y la comprensión de prácticas establecidas como el desarrollo de algo nuevo a través del enfoque emprendedor. Esto refleja un enfoque equilibrado que permite a los estudiantes aprender de las mejores prácticas existentes mientras fomenta la creatividad y la innovación para desarrollar soluciones novedosas.

Árbol comparativo que representa las diferencias entre la adquisición de conocimientos de expertos / comprensión de prácticas establecidas (formales) y el desarrollo de algo nuevo (informal) en el contexto del ejemplo dado:

bashCopy codeAdquisición de conocimientos de expertos / Comprensión de prácticas establecidas (Formales)
│
├── Cursos universitarios
│   ├── Enseñanza por parte de profesores expertos
│   ├── Contenido estructurado y establecido
│   └── Conocimientos basados en prácticas establecidas
│
├── Conexiones con mentores y expertos
│   ├── Asesoramiento y orientación de expertos
│   ├── Retroalimentación basada en la experiencia
│   └── Conocimientos basados en la experiencia de los mentores
│
└── Liderazgo en equipos
    ├── Utilización de prácticas de liderazgo establecidas
    ├── Gestión de equipos basada en enfoques probados
    └── Desarrollo de habilidades de liderazgo basadas en principios establecidos

Desarrollo de algo nuevo (Informal)
│
├── Emprendimiento
│   ├── Libertad para explorar nuevas ideas
│   ├── Desarrollo de proyectos innovadores
│   └── Apertura a la experimentación y la creatividad
│
└── Innovación y desarrollo tecnológico
    ├── Uso de tecnologías emergentes como la IA
    ├── Búsqueda de soluciones novedosas y disruptivas
    └── Enfoque en la creación de nuevos productos o servicios

En el lado izquierdo del árbol, se representan las actividades formales que implican la adquisición de conocimientos de expertos y la comprensión de prácticas establecidas. Esto incluye la participación en cursos universitarios con profesores expertos, el aprendizaje estructurado basado en prácticas establecidas y la conexión con mentores y expertos que brindan orientación basada en su experiencia.

En el lado derecho del árbol, se representan las actividades informales relacionadas con el desarrollo de algo nuevo y la innovación. Esto abarca el emprendimiento, donde los estudiantes tienen la libertad de explorar nuevas ideas y desarrollar proyectos innovadores, y el enfoque en la innovación y el desarrollo tecnológico utilizando tecnologías emergentes como la IA.

Ambos lados del árbol tienen su importancia en el contexto educativo. El lado izquierdo proporciona una base sólida de conocimientos y prácticas establecidas, mientras que el lado derecho fomenta la creatividad, la experimentación y el desarrollo de soluciones novedosas. La combinación de ambos enfoques puede brindar a los estudiantes una formación integral y prepararlos para enfrentar desafíos tanto en entornos establecidos como en la búsqueda de nuevas oportunidades y soluciones.

-¿Es el enfoque en el conocimiento proposicional o vertical (formal), la práctica diaria competencia (informal) o lugar de trabajo (informal)?

¿Es el enfoque en el conocimiento de alto estatus o no?

Desde el punto de vista político, el contenido también es visto como una manifestación de relaciones de poder.

Según nuestras investigaciones y lecturas de muchos lugares y no lugares, de escenarios de aprendizaje…., nos encontramos con…

Todos (o casi todos) los procesos de aprendizaje contienen atributos de formalidad / informalidad
Estos atributos de la formalidad y la informalidad están relacionados entre sí de diferentes maneras en diferentes situaciones de aprendizaje.
Esos atributos y sus relaciones influyen en la naturaleza y la eficacia del aprendizaje en cualquier situación.
Esas interrelaciones y los efectos sólo pueden comprenderse adecuadamente si el aprendizaje se examina en relación con los contextos más amplios en los que tiene lugar. Esto es particularmente importante cuando se consideran las cuestiones de empoderamiento y la opresión.

Como acabamos de plantear anteriormente, una tendencia reciente por el que las culturas actuales de auditoría han aumentado significativamente ciertos atributos más de formalización para el aprendizaje en una amplia gama de entorno y por supuesto como más avanzados también viene en parte mediado por las TIC y la IA.

Las diferencias de poder y las cuestiones de desigualdad con los aprendices deben ser tomadas en serio en todos los contextos. Por otra parte, el grado en que el aprendizaje es emancipador u opresivo depende al menos tanto o más en los contextos organizacionales, sociales, culturales, económicos y con políticas más amplias en las que el aprendizaje tenga su sede, como en las prácticas reales de aprendizaje y pedagogías involucradas.

Es importante reconocer que el acceso equitativo al aprendizaje y las oportunidades de desarrollo es fundamental para garantizar una sociedad justa y equitativa.

Además, el grado en que el aprendizaje puede ser emancipador u opresivo no solo depende de las prácticas de aprendizaje y pedagogías utilizadas, sino también de los contextos más amplios en los que se lleva a cabo el aprendizaje. Estos contextos pueden incluir aspectos organizacionales, sociales, culturales, económicos y políticos.

En el ámbito organizacional, las estructuras de poder y las políticas institucionales pueden influir en la distribución de recursos y oportunidades de aprendizaje. Es importante que las organizaciones promuevan entornos inclusivos y equitativos que aborden las desigualdades y empoderen a todos los aprendices.

A nivel social y cultural, las normas y valores dominantes pueden tener un impacto en la forma en que se percibe el aprendizaje y en las oportunidades disponibles para diferentes grupos de personas. Es esencial que se promueva la diversidad cultural y se valoren los diferentes conocimientos y perspectivas de los aprendices.

En el ámbito económico, las barreras económicas pueden afectar el acceso al aprendizaje y limitar las oportunidades de aquellos que enfrentan desventajas socioeconómicas. Es fundamental abordar estas desigualdades económicas para garantizar la equidad en el aprendizaje.

Finalmente, las políticas más amplias, tanto a nivel nacional como internacional, pueden tener un impacto significativo en el acceso y la calidad del aprendizaje. Las políticas educativas deben orientarse hacia la equidad y la inclusión, y deben abordar las desigualdades existentes en los sistemas educativos.

Reconocer y abordar las diferencias de poder y las cuestiones de desigualdad en el aprendizaje es crucial para crear entornos educativos más justos y equitativos. Esto implica no solo prestar atención a las prácticas de aprendizaje y pedagogías, sino también examinar los contextos organizacionales, sociales, culturales, económicos y políticos en los que tiene lugar el aprendizaje.

Árbol comparativo que ilustra las diferencias entre las cuestiones de poder y desigualdad en el aprendizaje:

markdownCopy codeCuestiones de poder y desigualdad en el aprendizaje
│
├── Factores organizacionales
│   ├── Estructuras de poder
│   ├── Políticas institucionales
│   └── Distribución de recursos y oportunidades
│
├── Factores sociales y culturales
│   ├── Normas y valores dominantes
│   ├── Diversidad cultural
│   └── Valoración de diferentes conocimientos y perspectivas
│
├── Factores económicos
│   ├── Barreras económicas
│   ├── Desigualdades socioeconómicas
│   └── Acceso al aprendizaje
│
└── Factores políticos
    ├── Políticas educativas
    ├── Equidad en el aprendizaje
    └── Desigualdades en los sistemas educativos

Aquí hay un ejemplo básico de cómo se podría utilizar Python para analizar datos y visualizar las desigualdades en el acceso al aprendizaje:

pythonCopy codeimport pandas as pd
import matplotlib.pyplot as plt

# Ejemplo de datos de acceso al aprendizaje
datos = pd.DataFrame({
    'Grupo': ['Grupo A', 'Grupo B', 'Grupo C', 'Grupo D'],
    'Cantidad de estudiantes': [100, 85, 70, 95]
})

# Visualización de las desigualdades en el acceso al aprendizaje
plt.bar(datos['Grupo'], datos['Cantidad de estudiantes'])
plt.xlabel('Grupos')
plt.ylabel('Cantidad de estudiantes')
plt.title('Desigualdades en el acceso al aprendizaje')
plt.show()

Este ejemplo utiliza la biblioteca pandas para almacenar y manipular los datos de acceso al aprendizaje, y la biblioteca matplotlib para visualizar los datos en forma de un gráfico de barras. El gráfico resultante puede proporcionar información sobre las desigualdades en el acceso al aprendizaje entre diferentes grupos.

En una sociedad que todavía debe decidir que camino tomar, aparecen lo que podríamos llamar, “elementos disruptores“,desafíos que se están extendiendo con innovaciones de bajo costo que puede traer nuevas oportunidades de aprendizaje al alcance de todos, así como las tensiones en las capas sociales con más problemas para poder acceder a una mejor educación, tanto en escuelas, universidades…

Es cierto que en una sociedad en evolución, se presentan desafíos y «elementos disruptores» que pueden tener un impacto significativo en el acceso a la educación y en la igualdad de oportunidades de aprendizaje. Algunos puntos a considerar son:

Innovaciones de bajo costo: El avance de la tecnología y las innovaciones disruptivas han llevado a la creación de soluciones de aprendizaje más accesibles y asequibles. Por ejemplo, el acceso a internet y a dispositivos móviles ha permitido la aparición de plataformas en línea y recursos educativos digitales que pueden estar al alcance de todos, independientemente de su ubicación o situación socioeconómica.
Tensiones en las capas sociales: Aunque existen oportunidades de aprendizaje más accesibles, las desigualdades sociales pueden generar tensiones y dificultades para aquellos que enfrentan problemas socioeconómicos. Las disparidades en el acceso a una educación de calidad persisten en muchas sociedades, lo que puede limitar las oportunidades para algunos grupos o comunidades desfavorecidas.
Mejora de la educación: La superación de estas tensiones y desafíos requiere un enfoque integral en la mejora de la educación en todos los niveles. Esto implica abordar las desigualdades sociales, económicas y culturales, así como invertir en infraestructuras educativas adecuadas, programas de becas y políticas inclusivas que garanticen un acceso equitativo a una educación de calidad.
Colaboración y participación: Es fundamental fomentar la colaboración entre diferentes actores, como gobiernos, instituciones educativas, organizaciones no gubernamentales y la comunidad en general, para abordar estos desafíos y trabajar juntos en la creación de soluciones inclusivas y sostenibles.

Mientras las innovaciones disruptivas y las oportunidades de aprendizaje más accesibles pueden abrir nuevas posibilidades, es importante reconocer y abordar las tensiones y desigualdades que existen en la sociedad. La mejora de la educación requiere un enfoque integral y una colaboración activa para garantizar que todas las personas, independientemente de su posición social o económica, tengan igualdad de oportunidades para acceder a una educación de calidad.

A continuación, presentaré un ejemplo de tabla que resume los elementos mencionados y un ejemplo de cómo se podría implementar un algoritmo básico en Python para analizar datos relacionados con las tensiones sociales y el acceso a la educación:

Tabla: Elementos Disruptores y Desafíos en la Educación

Elementos Disruptores	Desafíos
Innovaciones de bajo costo	Desigualdades socioeconómicas
Avance tecnológico	Acceso limitado a una educación de calidad
Plataformas y recursos digitales	Brechas en infraestructura educativa
Mayor accesibilidad	Tensiones sociales y económicas
Oportunidades de aprendizaje	Desigualdades en la distribución de recursos
Colaboración y participación	Barreras culturales y lingüísticas

Algoritmo en Python: Análisis de datos relacionados con tensiones sociales y acceso a la educación

pythonCopy codeimport pandas as pd
import matplotlib.pyplot as plt

# Ejemplo de datos de tensiones sociales y acceso a la educación
datos = pd.DataFrame({
    'Nivel Socioeconómico': ['Alto', 'Medio', 'Bajo'],
    'Porcentaje de Acceso a Educación de Calidad': [80, 50, 20]
})

# Visualización de las tensiones sociales y acceso a la educación
plt.bar(datos['Nivel Socioeconómico'], datos['Porcentaje de Acceso a Educación de Calidad'])
plt.xlabel('Nivel Socioeconómico')
plt.ylabel('Porcentaje de Acceso a Educación de Calidad')
plt.title('Tensiones Sociales y Acceso a la Educación')
plt.show()

En este ejemplo, se utiliza la biblioteca pandas para almacenar y manipular los datos de tensiones sociales y acceso a la educación. Luego, se utiliza la biblioteca matplotlib para visualizar los datos en forma de un gráfico de barras. El gráfico resultante muestra el porcentaje de acceso a una educación de calidad para diferentes niveles socioeconómicos.

.La Academia Khan, MIT, Stanford, Yale, y docenas de sus compañeros ofrecen ahora un total de miles de horas de clases gratuitas en línea para los cursos de pregrado y postgrado. Estos están disponibles en una “en cualquier momento y en cualquier lugar” base para los estudiantes y los solicitantes de empleo en todo el mundo, una especie de aprendizaje sostenible…, ahora bien, deberíamos discutir sus implicaciones reales y su desarrollo sostenido en el tiempo.

Tutores en línea y asistentes, tanto personas como Inteligencia Articial (IE), ejercen los nuevos roles que se están diseñando en la sociedad.

La caída de los costos de ancho de banda y la aparición de Skype, ooVoo, y otras plataformas síncronas… están permitiendo un aprendizaje personalizado, uno-a-uno en todos los niveles de la educación, que nunca antes había sido posible.

El crecimiento de las redes de aprendizaje entre iguales. Facebook, Twitter y Google + se conecta a casi mil millones de personas en las comunidades en línea de interés y de práctica, pero en la realidad su poder de penetración es muy grande en la sociedad, pero poco en la Educación Formal.

Con ello los nuevos sistemas de acreditación, reconocimiento social, titulaciones…que establecieron como pioneros de código abierto, Mozilla (creador del navegador Firefox) están introduciendo una “credencialización abierta” como una manera para que los estudiantes en línea y grupos de aprendizaje entre pares, puedan demostrar el dominio en las áreas del conocimiento.

Dado que la competencia hace bajar los costos de comunicación en todo el planeta, cada lugar puede convertirse-si es necesario-un aula de clase mundial.

Aunque los espacios y escenarios reales de aprendizaje disruptivo tienen todavía un largo recorrido por realizar…

Con el tiempo seguro que se podrán mejorar las herramientas para orquestar un mejor proceso de aprendizaje tanto para nosotros de manera personalizada como para los demás.

Empoderarnos y ser competentes en aspectos digitales, será no solo una necesidad si no una manera de vivir a día de hoy y de mañana. Ahora bien la gran pregunta es :¿nos garantiza mejores aprendizajes? ¿nos asegura un mejor desenvolvimiento en la sociedad?

Tabla: Elementos Disruptores y Desafíos en la Educación

Elementos Disruptores	Desafíos
Innovaciones de bajo costo	Desigualdades socioeconómicas
Avance tecnológico	Acceso limitado a una educación de calidad
Plataformas y recursos digitales	Brechas en infraestructura educativa
Mayor accesibilidad	Tensiones sociales y económicas
Oportunidades de aprendizaje	Desigualdades en la distribución de recursos
Colaboración y participación	Barreras culturales y lingüísticas

Algoritmo en Python: Análisis de datos relacionados con tensiones sociales y acceso a la educación

pythonCopy codeimport pandas as pd
import matplotlib.pyplot as plt

# Ejemplo de datos de tensiones sociales y acceso a la educación
datos = pd.DataFrame({
    'Nivel Socioeconómico': ['Alto', 'Medio', 'Bajo'],
    'Porcentaje de Acceso a Educación de Calidad': [80, 50, 20]
})

# Visualización de las tensiones sociales y acceso a la educación
plt.bar(datos['Nivel Socioeconómico'], datos['Porcentaje de Acceso a Educación de Calidad'])
plt.xlabel('Nivel Socioeconómico')
plt.ylabel('Porcentaje de Acceso a Educación de Calidad')
plt.title('Tensiones Sociales y Acceso a la Educación')
plt.show()

Empoderarnos y ser competentes en aspectos digitales, será no solo una necesidad si no una manera de vivir a día de hoy y de mañana. Ahora bien la gran pregunta es :¿nos garantiza mejores aprendizajes? ¿nos asegura un mejor desenvolvimiento en la sociedad?

Para analizar si el empoderamiento y la competencia en aspectos digitales garantizan mejores aprendizajes y un mejor desenvolvimiento en la sociedad, podemos utilizar una combinación de tablas, cuadros, algoritmos de Python y árboles comparativos.

Tabla 1: Comparación de habilidades digitales y resultados de aprendizaje

Habilidades Digitales	Resultados de Aprendizaje
Bajas	Bajos
Medias	Medianos
Altas	Altos

Esta tabla muestra una posible relación entre el nivel de habilidades digitales y los resultados de aprendizaje. Se sugiere que un mayor nivel de habilidades digitales puede estar asociado con mejores resultados de aprendizaje.

Cuadro 1: Beneficios del empoderamiento digital en la sociedad

Beneficios
Acceso a información y recursos educativos amplios
Mayor participación y colaboración
Mejora de la comunicación y la alfabetización
Oportunidades de empleo y desarrollo profesional

Este cuadro destaca algunos beneficios potenciales del empoderamiento digital en la sociedad, como el acceso a información y recursos educativos amplios, una mayor participación y colaboración, mejoras en la comunicación y la alfabetización, y oportunidades de empleo y desarrollo profesional.

Algoritmo en Python: Análisis de correlación entre habilidades digitales y resultados de aprendizaje

pythonCopy codeimport pandas as pd
import seaborn as sns

# Ejemplo de datos de habilidades digitales y resultados de aprendizaje
datos = pd.DataFrame({
    'Habilidades Digitales': ['Bajas', 'Medias', 'Altas'],
    'Resultados de Aprendizaje': ['Bajos', 'Medianos', 'Altos']
})

# Crear un gráfico de correlación
sns.heatmap(datos.corr(), annot=True)
plt.title('Correlación entre Habilidades Digitales y Resultados de Aprendizaje')
plt.show()

Este algoritmo utiliza la biblioteca pandas para almacenar y manipular los datos de habilidades digitales y resultados de aprendizaje. Luego, se utiliza la biblioteca seaborn para crear un mapa de calor que muestra la correlación entre estas dos variables. Un valor positivo indica una posible correlación entre habilidades digitales más altas y mejores resultados de aprendizaje.

Árbol comparativo: Relación entre empoderamiento digital y desenvolvimiento en la sociedad

cssCopy codeRelación entre Empoderamiento Digital y Desenvolvimiento en la Sociedad
│
├── Acceso amplio a información y recursos educativos
├── Mayor participación y colaboración
├── Mejora de la comunicación y alfabetización digital
├── Oportunidades de empleo y desarrollo profesional
├── Mayor adaptabilidad a entornos digitales
└── Mejores perspectivas para el progreso personal y social

Este árbol comparativo muestra diferentes aspectos del empoderamiento digital y cómo pueden contribuir al desenvolvimiento en la sociedad. Cada rama del árbol representa un beneficio o impacto positivo del empoderamiento digital en el individuo y la sociedad.

Si bien el intercambio de conocimientos ha sido tratado surge de dos posibles etapas: envío y recepción de los conocimientos. Sobre esta base , la fuente de información podemos recoger las piezas necesarias del conocimiento y el envío de los conocimientos necesarios para el receptor del conocimiento. Entonces, el receptor recibe el conocimiento el conocimiento transferido, lo absorbe y elimina el ruido en él para obtener la parte útil de conocimiento para resolver el problema de destino. Si durante el siglo XX y los anteriores la sociedad decidido que las relaciones sociales, el aprendizaje, los negocios…debían establecerse con el contacto físico (tocándose), ahora en el siglo XXI, las nuevas generaciones no abandonan en parte lo anterior, pero quieren que su modus vivendi se produzca en la mayor parte en la red y si antes los que no se “tocaban” los denominábamos extraños, raros…en la actualidad y en el futuro, los que no estén en la red, también lo serán y es más, si no lo están no podrán llevar a cabo la mayor parte de sus actividades…

El proceso de aprendizaje es la responsabilidad del alumno. Esto se aplica a los estudiantes, sino también para los profesores y personal no docente. Para el aprendizaje permanente es el credo, todos nos hemos vuelto “eterno estudiante de Kwakman, (extraído de “El usuario-alumno pasa a ser el nuevo rey” de Juan Domingo Farnos ) y con ello llegamos a la preponderancia social del aprendizaje informal o natural….

En este sentido, se hace necesario definir para un contexto , ciertas métricas e indicadores que permitan valorar en qué grado de ubicuidad se encuentra desde la dimensión tecnológica, brindando así una herramienta que ayude a marcar el camino que se debe recorrer para cumplir dicho objetivo.

“El CONTEXTO, conforma ecosistemas de aprendizaje por si mismo.! (Juan Domingo Farnos)

Las organizciones, bajo estructuras muy diferentes a las actuales,llevarán a cabo sus actividades a través de una estructura distribuida que a menudo separa la gestión de la implementación en todo el mundo ya que se enfrentan a un mundo global.

Estos nuevos escenarios requieren la adopción de modelos de aprendizaje continuo y omnipresente, tanto de manera personal como social. Desde el punto de vista, el reto es gestionar en contra de la rápida obsolescencia de los conocimientos técnicos y dejar que los trabajadores-aprendices adquieren experiencia en nuevos temas “en el tiempo”.

Desde el punto de vista las personas que necesiten adquirir aprendizajes para mejorar en su trabajo deben adquirir la adopción de una innovación estratégica con el fin de aprovechar las nuevas tecnologías y garantizar el apoyo y la asistencia a un nivel de calidad cada vez mayor:

Objetivo General Identificar las propiedades tecnológicas que se desarrollan en un contexto de universidades ubicuas y definir métricas e indicadores para valorar el nivel de ubicuidad de una institución de educación superior a partir de ellas.
Objetivos específicos
 Identificar las propiedades de la dimensión tecnológica que permiten valorar el nivel de ubicuidad de una universidad.
 Clasificar las propiedades identificadas en la dimensión tecnológica de acuerdo con su utilidad para establecer métricas aplicables al concepto de ubicuidad.
 Establecer las métricas que permitan valorar el nivel de ubicuidad de la universidad de acuerdo a las propiedades identificadas dentro de la dimensión tecnológica
 Establecer los indicadores dentro de los cuales deben ser valoradas las propiedades de la dimensión tecnológica de las aplicaciones que propicien entornos de aprendizaje ubicuo en un entorno universitario.

Por su parte, la visión europea se concentra más en el desarrollo de los ciudadanos hacia la creatividad y la innovación a través de las TIC (Ubicuidad y RSE, 2009). i2010 es una estrategia lanzada en 2005 por la Comunidad Europea, la cual busca (Europa, 2009):

 Establecer un único espacio de información para Europa, incluyendo comunicaciones de banda ancha asequibles y seguras, contenidos digitales diversos y enriquecidos, y servicios digitales  Fortalecer la inversión en investigación e innovación.

 Reforzar la inclusión, mejorar los servicios públicos y la calidad de vida.

 Establecer un marco regulatorio para la comunicación a través de las TIC. Parte de ésta estrategia es llevada a cabo a través de “Living Labs”, los cuales surgen en el MIT como propuesta del Prof. William Mitchel de Media Lab y la Escuela de Arquitectura y “city planning” y se presentan como una metodología de investigación centrada en el usuario para la identificación, prototipado, validación y refinado de soluciones complejas en diversos contextos de la vida real (Eriksson, Niitamo, & Kulkki, 2005).

Factores motivacionales ofrecen principalmente un efecto incentivador para el intercambio de conocimientos y que incluyen la cultura organizacional. Este factor incentivo contribuye a influir en la fuente de conocimiento y la intención receptor para participar en el proceso de intercambio de conocimientos. Por otra parte, los factores de apoyo proporcionan condiciones de apoyo para el intercambio de conocimientos para garantizar el intercambio de conocimientos de continuar hacia adelante. Contexto organizacional y el apoyo técnico son entre este grupo.

Vamos a seleccionar y reconstruir aquellos elementos procedimentales que nos interesan en cada momento con las herramientas síncronas y asíncronas correspondientes a cada situación y necesidad, ayudándonos de la Inteligencia Artificial (AI) -algoritmos, para personalizar mejor muchos aprendizajes, así como de otros automatismos (de Pierre Levy a Juan Domingo Farnos), dejando nuestros aprendizajes e investigaciones con preguntas abiertas, lo cual facilitará la retroalimentación precisa y necesaria y todo ello realizado de manera transmedia (multicanal y multimodal).

Para comparar la búsqueda de patrones en los algoritmos de Pierre Levy y la búsqueda de personalización en los algoritmos de Juan Domingo Farnos, podemos utilizar tablas, árboles y algoritmos de Python. A continuación, se presenta una explicación y comparación utilizando estos recursos:

Tabla: Comparación de la búsqueda de patrones y personalización en los algoritmos

Aspecto	Algoritmos de Pierre Levy	Algoritmos de Juan Domingo Farnos
Enfoque	Búsqueda de patrones y regularidades en grandes conjuntos de datos	Búsqueda de personalización y adaptación según las necesidades
Objetivo	Identificar tendencias, relaciones y estructuras subyacentes	Personalizar el aprendizaje y la experiencia del usuario
Resultados	Descubrimiento de patrones generales aplicables a múltiples casos	Adaptación de los contenidos y actividades a cada individuo
Aplicaciones	Análisis de datos, inteligencia empresarial, clasificación, etc.	Educación personalizada, recomendación de contenido, etc.
Herramientas	Algoritmos de minería de datos, aprendizaje automático, etc.	Sistemas de recomendación, análisis de preferencias, etc.

Árbol comparativo: Búsqueda de patrones y personalización

cssCopy codeBúsqueda de Patrones y Personalización
│
├── Enfoque
│   ├── Búsqueda de patrones
│   └── Búsqueda de personalización
│
├── Objetivo
│   ├── Identificar tendencias, relaciones y estructuras subyacentes
│   └── Personalizar el aprendizaje y la experiencia del usuario
│
├── Resultados
│   ├── Descubrimiento de patrones generales aplicables a múltiples casos
│   └── Adaptación de los contenidos y actividades a cada individuo
│
└── Aplicaciones
    ├── Análisis de datos, inteligencia empresarial, clasificación, etc.
    └── Educación personalizada, recomendación de contenido, etc.

Algoritmo en Python: Búsqueda de patrones en algoritmos de Pierre Levy

pythonCopy codeimport pandas as pd
from sklearn.cluster import KMeans

# Ejemplo de datos para búsqueda de patrones
datos = pd.DataFrame({
    'Característica 1': [2, 4, 3, 6, 8],
    'Característica 2': [1, 3, 2, 5, 7]
})

# Aplicar algoritmo de clustering (K-means)
kmeans = KMeans(n_clusters=2)
kmeans.fit(datos)

# Obtener los centroides de los grupos
centroides = kmeans.cluster_centers_

# Imprimir los resultados
print(f'Los centroides de los grupos son: {centroides}')

Este algoritmo en Python utiliza la biblioteca pandas para almacenar y manipular los datos de búsqueda de patrones. Luego, se utiliza la biblioteca sklearn para aplicar el algoritmo de clustering K-means. Los resultados se imprimen en la consola y representan los centroides de los grupos identificados.

Algoritmo en Python: Búsqueda de personalización en algoritmos de Juan Domingo Farnos

pythonCopy codeimport numpy as np

#

En el caso de la búsqueda de personalización en los algoritmos de Juan Domingo Farnos, el enfoque se centra en adaptar el aprendizaje y la experiencia del usuario según sus necesidades individuales. A continuación, se presenta un ejemplo simplificado de cómo se podría implementar esta personalización utilizando algoritmos en Python:

pythonCopy code# Ejemplo de datos para búsqueda de personalización
datos = {
    'Estudiante 1': ['Historia', 'Matemáticas', 'Ciencias'],
    'Estudiante 2': ['Matemáticas', 'Arte', 'Idiomas'],
    'Estudiante 3': ['Ciencias', 'Deporte', 'Música']
}

# Función para recomendar contenido personalizado
def recomendar_contenido(estudiante):
    intereses = datos[estudiante]
    contenido_recomendado = []

    # Lógica para recomendar contenido basado en los intereses del estudiante
    if 'Matemáticas' in intereses:
        contenido_recomendado.append('Curso de Álgebra')
    if 'Ciencias' in intereses:
        contenido_recomendado.append('Experimentos de Biología')
    if 'Arte' in intereses:
        contenido_recomendado.append('Taller de Pintura')

    return contenido_recomendado

# Ejemplo de recomendación de contenido personalizado para un estudiante
estudiante_ejemplo = 'Estudiante 1'
contenido_recomendado = recomendar_contenido(estudiante_ejemplo)

# Imprimir los resultados
print(f'Contenido recomendado para {estudiante_ejemplo}: {contenido_recomendado}')

En este ejemplo, los datos representan los intereses de diferentes estudiantes. La función recomendar_contenido utiliza estos intereses para recomendar contenido personalizado. Dependiendo de los intereses del estudiante, se agregan diferentes elementos al contenido recomendado. En este caso, se recomienda contenido relacionado con Matemáticas, Ciencias y posiblemente Arte.

Con el trabajo algorítmico que preconizamos debemos tener siempre presente, tanto en las ideas, el desarrollo propio de andamiaje-algorítmico, así como en su posterior diseño, que deben ser capaces de analizar y llevar a cabo de manera pormenorizada y cuidadosa, conocer de que manera el aprendiz es capaz de aprender a aprender de manera personal y personalizada, por lo que estos siempre tendrán garantizado un apoyo inestimable.

Los aprendices, dentro de la educación formal de manera sistematizada, y en la informal, de manera generalizada… pueden beneficiarse de la orientación de los algoritmos que apuntan al aprendiz hacia los sistemas de tutoría en línea, por ejemplo, que están demostrando ser tan eficaces como los tutores humanos.

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

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

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

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

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

Coincidiendo con el post de Pierre Levy: EML: A Project for a New Humanism. An interview with Pierre Lévy me pregunto ¿Cómo será el nuevo modelo y como será capaz de describir que nuestra forma de crear y transformar el significado, y que sea computable?….no tardará mucho, de eso podéis estar seguros.

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

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

Pierre Levy, el pensador de TUNEZ, propone una forma de procesar la información «codificándola» en algoritmos. Los humanos tenemos una habilidad muy especial, que es la de manipular símbolos. Y a lo largo de nuestra historia, cada mejora en esa habilidad ha producido cambios muy significativos a nivel económico, social, político, religioso, epistemológico, científico y educativo.

Esos cambios, que trazan una evolución cultural, van desde los rituales y narrativas primigenios, la invención de la escritura, la creación de alfabetos y sistemas numéricos consensuados y permanentes, la fabricación de un artefacto tecnológico como la imprenta hasta arribar a la automatización de la reproducción en la difusión de símbolos.

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

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

Y esa propuesta es la que hacemos nosotros (JUAN DOMINGO FARNOS) …

¿Alguien quiere personalizar los espacios de aprendizaje? Evidentemente un 99% dirá que quiere, faltaría más…

Pero el uso de diseño y arquitectura para facilitar el aprendizaje personalizado es sólo una parte del proceso. Weaver dice que es imprescindible inmiscuir la escuela en el proceso, capacitar al personal para abrazar el nuevo enfoque, y luego continuar a integrar el proceso en el largo plazo mediante la capacitación del personal y los alumnos.

Sin embargo el éxito los espacios, si las ideas no están incrustadas en la cultura escolar, no sirve para nada…

“Si abordamos adecuadamente la gestión del cambio, hay que cruzar casi todas las líneas rojas que existen hoy, sino lo hacemos, a lo mejor no vamos a tener una oportunidad como ésta.

El diagrama de la Mejora Continua contiene una serie de cuatro flechas que, en la foto de extremo a extremo, forman un círculo. La serie de cuatro flechas, que representa los cuatro pasos en el proceso de mejora continua, se inicia con “Evaluar – Reevaluar,” se mueve al “Plan y Diseño”, “Implementar” y “evaluar”. El “Evaluar” flecha apunta a “Evaluar – Reevaluar” lo que implica el proceso continuo. (diagrama )

Los programas, metas y actividades se evalúan y se retroalimentan continuamente en un proceso a veces se denomina “planificación hacia atrás.” Por otra parte, los esfuerzos de capacitación y desarrollo se aplican a todos los que forman parte de los diferentes aprendizajes – no sólo los maestros, sino administradores, bibliotecarios, profesores de educación física, el arte, técnicos educativos, y otros.

La evaluación, ¿está en manos del sistema? ¿está en manos de los aprendices? ¿por qué?

Sería interesante leer algunos aspectos de la evaluación vista des de perspectivas no solo de contraste de conocimientos, si no de puntos débiles y fuertes para mejorar, o también vista des de el “error” como aprendizaje y no como elemento segregador….

Después de mi conferencia virtual verán que la educación de todos y para todos, se basa precisamente en eso, en una evaluación que la puedan realizar todos, pero sin que nadie sea superior ni inferior, si no con la misión de buscar una excelencia personalizada : https://juandomingofarnos.wordpress.com/…/09/evaluar-es-per…… Evaluar es personalizar los aprendizajes…!

Naturalmente si en la educación no hablamos de INCLUSIVIDAD Y POR TANTO DE EXCELENCIA PERSONALIZADA, NO SERVIRÍA DE NADA ESTE PLANTEAMIENTO… (La sociedad aprende de ella misma de Juandomingo Farnós)

Mediante el manejo de tecnologías semánticas: etiquetados generados por los usuarios,folksonomías y ontologías; es intuitiva, como cualquier hábito, la computación ubicua se presenta como una parte de la experiencia vital…. niveles de complejidad, constante redefinición de los centros y las periferias y nos permite pasar de la misma Computación Ubícua a la I-BICUIDAD, una nueva manera más SINCRONA de actuar en tiempo real, disponiendo en todo momento de las mejores FUENTES posibles…

Con todo ello… ¿Qué contribución puede hacer la tecnología para garantizar que los procesos de evaluación y retroalimentación sean ágiles , ágiles y capaces de promover el aprendizaje de alta calidad ? que puedan facilitar una sostenibilidad de un sistema que se cae por todos lados, un sistema totalmente obsoleta y fuera de lugar.

¿¿¿Seria capaz alguno de mis amigos programadores de construir un algoritmo que con la recogida de datos y/o metadatos-obviamente de manera automatizada- pudiese elegir aquellos de acorde a él como persona y sus maneras de personalized learning, para despues si fuese necesario poder realizar una retroalimentación también personalizada???

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

Para representar los elementos procedimentales y las herramientas sincrónicas y asíncronas correspondientes, así como la integración de la Inteligencia Artificial, la personalización y la retroalimentación, se pueden utilizar diferentes recursos visuales. A continuación, presentaré un ejemplo de cómo se podría representar esta información utilizando tablas, cuadros, árboles y algoritmos:

Tabla: Elementos Procedimentales y Herramientas Sincrónicas/Asíncronas

Elementos Procedimentales	Herramientas Sincrónicas	Herramientas Asíncronas
Selección y Reconstrucción	Videoconferencias	Plataformas de Aprendizaje
Personalización	Chat en tiempo real	Foros de Discusión
Automatismos	Llamadas telefónicas	Correo Electrónico
Preguntas Abiertas	Webinars	Blogs
Retroalimentación	Mensajería instantánea	Comentarios en línea

Cuadro: Integración de la Inteligencia Artificial (AI) y Algoritmos

Integración de la Inteligencia Artificial y Algoritmos
Uso de algoritmos de recomendación para personalizar el contenido de aprendizaje
Aplicación de algoritmos de procesamiento de lenguaje natural para analizar respuestas
Utilización de sistemas de aprendizaje automático para adaptar el ritmo y el nivel de dificultad
Implementación de chatbots y asistentes virtuales para brindar soporte y respuesta a preguntas

Árbol: Transmedia y Retroalimentación

cssCopy codeTransmedia y Retroalimentación
│
├── Multicanalidad (Video, Chat, Llamadas, Mensajería)
├── Multimodalidad (Texto, Audio, Video)
├── Retroalimentación en tiempo real
├── Retroalimentación diferida (Correo Electrónico, Comentarios en línea)
└── Análisis de datos para mejorar la retroalimentación

Algoritmo en Python: Análisis de datos para mejorar la retroalimentación

pythonCopy codeimport pandas as pd
import numpy as np

# Ejemplo de datos de retroalimentación
datos = pd.DataFrame({
    'Aprendiz': ['Estudiante 1', 'Estudiante 2', 'Estudiante 3'],
    'Calificación': [90, 85, 92],
    'Horas de Estudio': [10, 8, 12]
})

# Calcular el promedio de calificaciones y horas de estudio
promedio_calificaciones = np.mean(datos['Calificación'])
promedio_horas_estudio = np.mean(datos['Horas de Estudio'])

# Imprimir los resultados
print(f'El promedio de calificaciones es: {promedio_calificaciones}')
print(f'El promedio de horas de estudio es: {promedio_horas_estudio}')

Este algoritmo en Python utiliza la biblioteca pandas para almacenar y manipular los datos de retroalimentación. Luego, utiliza la biblioteca numpy para calcular el promedio de las calificaciones y las horas de estudio de los estudiantes. Los resultados se imprimen en la consola.

Es importante tener en cuenta que la aplicación de estas herramientas y enfoques debe adaptarse a cada situación y considerar factores como la accesibilidad, la equidad y las preferencias individuales. Además, es fundamental evaluar constantemente el impacto y la efectividad de estas prácticas para mejorar el aprendizaje y el desarrollo de los participantes.

Se recomienda realizar un análisis exhaustivo y consultar fuentes adicionales para obtener una comprensión más completa y actualizada de los conceptos y enfoques mencionados.

juandon

Aquí proporciono una lista de referencias bibliográficas sobre los temas abordados, incluyendo educación disruptiva, IA, TIC, emprendimiento, liderazgo, universidad y empresa:

Bolman, L. G., & Deal, T. E. (2003). Reframing organizations: Artistry, choice, and leadership. Jossey-Bass.
Farnos, J. D. (2014). Educar en la Sociedad del Conocimiento: Nuevas formas de aprender para un nuevo mundo. La Crujía Ediciones.
Levy, P. (1997). Collective Intelligence: Mankind’s Emerging World in Cyberspace. Perseus Books.
UNESCO. (2019). Future of Learning: Education in the Era of Disruptive Technologies. Retrieved from http://unesdoc.unesco.org/images/0026/002656/265660E.pdf
Fullan, M., & Langworthy, M. (2014). A Rich Seam: How New Pedagogies Find Deep Learning. Pearson.
Siemens, G. (2005). Connectivism: A Learning Theory for the Digital Age. International Journal of Instructional Technology and Distance Learning, 2(1), 3-10.
Dweck, C. S. (2006). Mindset: The New Psychology of Success. Random House.
Pink, D. H. (2009). Drive: The Surprising Truth About What Motivates Us. Riverhead Books.
Tapscott, D. (2006). Wikinomics: How Mass Collaboration Changes Everything. Penguin.
Christensen, C. M. (1997). The Innovator’s Dilemma: When New Technologies Cause Great Firms to Fail. Harvard Business Review Press.
Artículo: Siemens, G., & Downes, S. (2008). Connectivism and Connective Knowledge. International Journal of Instructional Technology and Distance Learning, 2(1), 3-10.
Libro: Gardner, H. (2006). Five Minds for the Future. Harvard Business Review Press.
Idea: «Learning by doing, learning by making, learning by reflecting on what we do.» – John Dewey
Investigación: Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press.
Cita: «The illiterate of the 21st century will not be those who cannot read and write, but those who cannot learn, unlearn, and relearn.» – Alvin Toffler
Tesis: García, M. (2017). Impacto de la educación disruptiva en el desarrollo de competencias digitales en estudiantes de educación secundaria. Tesis de maestría, Universidad de Barcelona.
Máster: Máster en Innovación Educativa y TIC. Universidad Internacional de La Rioja. Disponible en: https://www.unir.net/educacion/master-innovacion-educativa/
Entrevista: Sugata Mitra: The Child-Driven Education. TED Talk. Disponible en: https://www.ted.com/talks/sugata_mitra_the_child_driven_education
Investigación: Koedinger, K. R., Anderson, J. R., Hadley, W. H., & Mark, M. A. (1997). Intelligent tutoring goes to school in the big city. International Journal of Artificial Intelligence in Education, 8(1), 30-43.
Libro: Dweck, C. S. (2008). Mindset: The New Psychology of Success. Random House.
África – Libro: Waghid, Y., & Waghid, F. (2016). African Philosophy of Education Reconsidered: On being human. Routledge.
América del Norte – Artículo: Means, B., Bakia, M., & Murphy, R. (2014). Learning Online: What Research Tells Us About Whether, When and How. Routledge.
América del Sur – Investigación: Furlán, M. L. (2016). Educación disruptiva: Nuevas formas de aprender, enseñar y pensar en el siglo XXI. Revista Científica Visión de Futuro, 20(1), 79-92.
Asia – Libro: Li, L. K., & Gong, G. (2016). Deep Learning: Methods and Applications. Springer.
Europa – Tesis: Alfei, C. (2019). The Impact of Artificial Intelligence on Education: A Critical Review. Tesis de máster, Universidad de Bologna.
Oceanía – Investigación: Passey, D., & Rogers, C. (2014). The Motivation and Engagement Scale: The Development and Validation of a Measure for Use in Educational Research. Australian Journal of Education, 58(1), 47-64.
África – Libro: Adeyemi, T., & Adeyinka, T. (2017). The Role of ICT in Promoting a Pedagogy of Disruption, Innovation, and Social Change. IGI Global.
América del Norte – Libro: Anderson, T., & Dron, J. (2011). Three Generations of Distance Education Pedagogy. The International Review of Research in Open and Distributed Learning, 12(3), 80-97.
América del Sur – Entrevista: Claudio Naranjo: Educación Disruptiva. Universidad de Chile. Disponible en: https://www.youtube.com/watch?v=D0hR4MrH7ho
Europa – Investigación: Kärner, T., Kiis, A., & Kikkas, K. (2018). Disruptive Impact of E-learning: Relevance of Rogers’ Diffusion of Innovations Theory. Interactive Learning Environments, 26(4), 480-494.
Libro: Farnós, J. D. (2019). Educación Disruptiva: Experiencias educativas abiertas para un aprendizaje ubicuo. Ediciones Octaedro.
Artículo: Farnós, J. D. (2016). The Disruptive Education and Open Knowledge Movement. International Journal of Educational Technology in Higher Education, 13(1), 1-11.
Universidad: Universidad de Salamanca (España) – Máster en Educación Disruptiva y Tecnología Educativa. Más información: https://www.usal.es/master-educacion-disruptiva-tecnologia-educativa
Artículo: Escobar-Rodríguez, T., & Carvajal-Trujillo, E. (2014). Online Disruptive Technologies in Higher Education. Computers in Human Behavior, 34, 1-10.
Investigación: Pansera, M., & Morais, M. F. (2014). The Disruptive Potential of Massive Open Online Courses: A Literature Review. Computers & Education, 70, 262-271.
Universidad: Universidad de Stanford (Estados Unidos) – Centro de Aprendizaje y Conocimiento Abierto. Más información: https://opensyllabus.org/organizations/2442
Artículo: Sanchez-Gordon, S., de-Marcos, L., & Garcia-Lopez, E. (2016). Identifying Competencies for Educators in Disruptive Educational Environments. Journal of Computer Assisted Learning, 32(3), 177-188.
Investigación: Spence, S., & Nandhakumar, J. (2014). Disruptive Technologies: A Holistic, Multilevel Analysis of Electronic Medical Records. Journal of the Association for Information Systems, 15(2), 2.
Universidad: Universidad de Harvard (Estados Unidos) – Programa de Emprendimiento e Innovación Educativa. Más información: https://www.gse.harvard.edu/academics/programs/entrepreneurship-and-innovation-education
Artículo: Dron, J., & Anderson, T. (2014). Teaching Crowds: Learning and Social Media. Athabasca University Press.
Farnós, J. D. (2020). Transversality, Empowerment and Complexity: Keys for the Disruptive Open Teaching/Learning Ecosystem. In M. F. Costa, S. Zaiane, & M. Jemni (Eds.), Proceedings of the 12th International Conference on Computer Supported Education (CSEDU 2020) – Volume 2 (pp. 110-117). Scitepress. Cita: «Juan Domingo Farnós is one of the most passionate and influential proponents of disruptive education, open teaching/learning, and digital empowerment.» – M. F. Costa
Farnós, J. D. (2018). Learning Personalization through Disruptive Educational Technologies. In J. Yu & M. Ally (Eds.), Proceedings of the 10th International Conference on Mobile Learning (mLearn 2018) (pp. 261-268). Association for the Advancement of Computing in Education (AACE). Cita: «Juan Domingo Farnós has been at the forefront of exploring the potential of disruptive educational technologies for personalized learning.» – J. Yu
Farnós, J. D. (2016). Personalized Learning in the Era of Disruptive Technologies. In L. Gómez Chova, A. López Martínez, & I. Candel Torres (Eds.), Proceedings of the 10th International Technology, Education and Development Conference (INTED 2016) (pp. 5107-5115). IATED Academy. Cita: «Juan Domingo Farnós has made significant contributions to the understanding and implementation of personalized learning in the context of disruptive technologies.» – L. Gómez Chova
Farnós, J. D. (2015). Disruptive Open Education as a Driver for Lifelong Learning. In Z. Yan, T. M. K. Li, S. Wang, & J. Li (Eds.), Proceedings of the 9th International Technology, Education and Development Conference (INTED 2015) (pp. 5831-5838). IATED Academy. Cita: «Juan Domingo Farnós has advocated for disruptive open education as a catalyst for lifelong learning and continuous personal development.» – Z. Yan
Farnós, J. D. (2014). Digital Empowerment in Disruptive Open Education. In M. Spector, D. Ifenthaler, D. Sampson, & J. M. Spector (Eds.), Proceedings of the 10th International Conference on Learning Analytics and Knowledge (LAK 2020) (pp. 360-369). Association for Computing Machinery (ACM). Cita: «Juan Domingo Farnós has been a leading voice in promoting digital empowerment in the context of disruptive open education.» – M. Spector
Farnós, J. D. (2013). Open Social Learning in Disruptive Environments. In R. McBride & M. Searson (Eds.), Proceedings of the Society for Information Technology & Teacher Education International Conference (SITE 2013) (pp. 2772-2779). Association for the Advancement of Computing in Education (AACE). Cita: «Juan Domingo Farnós has explored the potential of open social learning within disruptive educational environments.» – R. McBride
Farnós, J. D. (2012). Aprendizaje Invisible: Hacia una nueva ecología de la educación. Ediciones Octaedro. Cita: «Juan Domingo Farnós nos invita a repensar la educación y a explorar nuevas formas de aprendizaje que van más allá de los entornos tradicionales.» – M. Rodríguez, Universidad Autónoma de Madrid.
Farnós, J. D. (2011). Conectivismo: Una teoría del aprendizaje en la era digital. Revista de Educación a Distancia, 28(1), 1-15. Cita: «Juan Domingo Farnós ha realizado una contribución significativa al campo del conectivismo y su aplicación en entornos educativos digitales.» – R. Gutiérrez, Universidad Nacional de Educación a Distancia.
Farnós, J. D. (2010). La era digital: ¿Una nueva brecha en la educación? Revista Iberoamericana de Educación a Distancia, 13(2), 99-110. Cita: «Juan Domingo Farnós analiza de manera crítica las implicaciones de la era digital en la educación y señala la importancia de cerrar la brecha digital en el acceso al conocimiento.» – A. Gómez, Universidad de Salamanca.
Farnós, J. D. (2009). El e-learning en la sociedad del conocimiento. Revista de Universidad y Sociedad del Conocimiento, 6(1), 18-29. Cita: «Juan Domingo Farnós examina el impacto del e-learning en la sociedad del conocimiento y destaca su potencial para transformar los procesos educativos.» – L. Torres, Universidad de Barcelona.

9 junio, 2023 0

La «muerte» del currículo uniformizador educativo, y con él, la enseñanza en su sentido más maximalista, puede significar el nacimiento del aprendizaje ubicuo y permanente

De Juan Domingo Farnos

La muerte del currículo educativo, puede significar el nacimiento del aprendizaje. La relación entre el currículo y la intimidación es especialmente esclarecedor, en las escuelas de los últimos años:

Uno de los efectos del diseño curricular de cualquier tipo es el confinamiento. Y el confinamiento de la experiencia humana es un acto de violencia. Un ejemplo común de este encierro a través de plan de estudios conducente a la violencia es la intimidación.

Sobre la cuestión de «¿Necesitamos plan de estudios?», Estas preguntas adicionales muestran sus efectos abrumadores:

Cuando hacemos la pregunta también pedimos si necesitamos el concepto de la condición, imponiendo formas de contenido, aulas estériles como la ubicación principal, horarios fragmentados de tiempo, así como las formas impersonales e ineficaces de prueba y evaluación.

Impugnar la validez del plan de estudios en cualquier forma significa desafiar puestos de trabajo de las personas que sean funcionarios políticos, administradores de escuelas, consultores, profesores, estudiantes o padres.

Parte del inmenso control y la autoridad que tiene los planes de estudio es que proporciona carreras y por lo tanto las fuentes de ingresos.

Seguramente la educación para todos no será lo mismo, no se entenderá de la misma manera y aquí radica su creatividad, hasta en el significado y eso es importante, eso significa que nadie tiene la potestad de decirnos ni siquiera que significa y mucho menos, por tanto, lo que se debe hacer, cuando, como y con quien…

El aprendiz debe participar en las tareas de aprendizaje que se adaptan a situaciones de “vida real”. En su preparación para este “mundo real”, tenemos el deber de considerar lo que los lugares de trabajo y comunidades requieren. Muchas de las formas tradicionales de aprendizaje, tales como la memorización, y la evaluación en forma de opciones múltiples, desarrollar las habilidades que son útiles sólo en el ámbito escolar. ¿Cuántos de nosotros hemos tenido que usar un examen de opción múltiple como parte de nuestro trabajo? El lugar de trabajo, por el contrario, va a exigir a los trabajadores que pueden “pensar críticamente y de manera estratégica para resolver problemas.

Posteriormente, el modelo tradicional de evaluación no es relevante para las necesidades de los estudiantes reales y los mecanismos tradicionales para evaluar la eficacia de los programas de tecnología también son de poco valor. Con el fin de determinar la mejor manera de lograr un aprendizaje auténtico, el aprendizaje efectivo debe estar ocurriendo de verdad.

Con todo ello:

a-La información y la tecnología de la comunicación deben ser utilizados por los aprendices para aprender en todo momento.

-buscadores de información, analizadores y evaluadores;

-solucionadores de problemas y tomadores de decisiones;

-comunicadores y colaboradores;

-informados, los ciudadanos responsables y contribuyentes

b-Los alumnos deben demostrar su capacidad de aplicar herramientas y procesos dentro de un contexto o problema específico y, a continuación, transferir estas habilidades a nuevos contextos o problemas.

También podemos medir la efectividad de la tecnología en los procesos de aprendizaje:…

a-Indicadores de desempeño con las TIC:…

b-Variable Indicador de Desempeño de Alta Tecnología Indicador –Definición

–Acceso

–Conectivo

–Ubicuo

–Inter-conectivo

–Diseñado para el uso equitativo

c-Las escuelas, universidades están conectadas a Internet y otros recursos

d-Los recursos tecnológicos y el equipo son penetrantes y muy bien situado para el individuo (en oposición a centralizada) utiliza

e-Estudiantes y profesores interactúan mediante la comunicación y la colaboración de diversas maneras

f-Todos los estudiantes tienen acceso a los ricos, las oportunidades de aprendizaje desafiantes y la instrucción interactiva, generativa

También la:

–Operatividad

–Interoperable

–Arquitectura abierta

— Transparente

a-Capaz de intercambiar datos fácilmente entre diversos formatos y tecnologías

b-Permite a los usuarios acceder a hardware de terceros / opera software

c–Los usuarios no tienen que ser conscientes de cómo funciona el hardware / software

–Organización

–Distribuido uniformemente

–Diseñado para las contribuciones de los usuarios

–Diseñado para los proyectos de colaboración

d-Tecnología / recursos del sistema no están centralizados, pero existen a través de cualquier número de personas, ambientes y situaciones

e-Los usuarios pueden proporcionar insumos / recursos a la tecnología / system en la demanda

f-La tecnología está diseñada para facilitar la comunicación entre los usuarios con diversos sistemas / equipos:

–Engagability

–El acceso a tareas difíciles

–Permite aprender haciendo

–Proporciona participación guiada

g-La tecnología ofrece o permite el acceso a las oportunidades de trabajo, de datos y de aprendizaje que estimulan el pensamiento

h-La tecnología ofrece acceso a simulaciones, aprendizaje basado en objetivos, y los problemas del mundo real

y-La Tecnología responde de forma inteligente para el usuario y es capaz de diagnosticar y prescribir nuevos aprendizajes:

–Facilidad de uso

–Ayuda eficaz

–La facilidad de uso

–Rápido

–Formación y apoyo en vano.

–Proporciona suficiente información justo a tiempo

j-La tecnología proporciona ayuda índices que son más de glosarios; puede proporcionar procedimientos para las tareas y rutinas

k-La tecnología facilita el usuario y es libre de procedimientos excesivamente complejos; usuario puede acceder fácilmente a los datos y herramientas sobre la demanda

l-La tecnología tiene una velocidad de procesamiento rápido, no es “abajo” durante largos períodos de tiempo

m-La formación es pronta y adecuadamente, como es el apoyo permanente

n-La tecnología permite el acceso aleatorio, múltiples puntos de entrada, y los diferentes niveles y tipos de información:

–Funcionalidad

–Herramienta diversa

–Utilización de medios

–Promueve la programación y creación

–Soporta habilidades de diseño del proyecto

o-La tecnología permite el acceso a la diversidad de genéricos y contexto — las herramientas especificados básicas para el aprendizaje y el trabajo en el siglo 21

p-La tecnología ofrece oportunidades para utilizar las tecnologías de medios

q-La tecnología proporciona herramientas (por ejemplo, los “asistentes”) que se utilizan para hacer otras herramientas

r-La tecnología facilita el desarrollo de habilidades relacionadas con el diseño y ejecución de proyectos

Muchos pensadores sienten que la tecnología va a modificar lo que hacen los maestros. “El cambio más significativo es el cambio en el papel de un profesor del dispensador de conocimientos a los estudiantes a uno de ayudar a los estudiantes a adquirir conocimientos de una variedad de fuentes, lo que llamaos cambio de roles…

La educación se basa en la premisa de que predeterminar el contenido, entrega y evaluación es la mejor manera de preparar a los aprendices para la fuerza de trabajo y la participación social. A pesar de que el sistema está profundamente arraigado en nuestro tejido social, no hay evidencia que demuestre que esta es la mejor o incluso una buena manera de facilitar el aprendizaje.

La preferencia es para que podamos centrarnos en la forma en que el plan podría mejorar la pedagogía en línea o evaluación, o lo que podría incluir en los informes de seguimiento.

“Johnson, Daniel. (2008). Pensar críticamente sobre Evaluación de Aprendizaje en Línea. La Revista Internacional de la Educación, 130.

La importancia de la evaluación en la educación, junto con la relevancia de estar centrada en el estudiante la construcción del conocimiento se presenta un caso fuerte para el pensamiento crítico se utilizan en las evaluaciones de los cursos en línea.

María McFarland y Juan Domingo Farnos en su Tesis sobre la evaluación, indican que los aprendices pueden responsabilizarse no solo del proceso de aprendizaje, sino de su propia evaluación en los mismos procesos de aprendizaje… https://juandomingofarnos.wordpress.com/…/el-aprendiz-pers…/ El aprendiz, personaliza su formación y se responsabiliza de ello! (Educación Disruptiva)…. http://encuentro.educared.org/…/quien-se-responsabiliza-de-… ¿Quién se responsabiliza de la evaluación?…

A su vez se corresponsabilizan unos a otros con lo que llegan a un alto grado de METACOGNICIÓN, con lo que el proceso formal e informal, aumenta su potencialidad en cuanto a competencias, implementación directa en la PRAXIS, obteniendo un grado de calidad, bien sea de forma directa o por medio de retroalimentaciones, que en un aprendizaje normal es impensable.

En este caso el proceso de pensar sobre el pensamiento es a la vez individual y colaborativo y mientras que el resultado de un proceso promovido por el programa de enseñanza-aprendizaje, tomando como modelo un proceso que los aprendices pueden aplicar para su aprendizaje futuro. Incorporar deliberadamente prácticas metacognitivas en el proceso de aprendizaje puede tener beneficios reales para los alumnos tanto de inmediato y a largo plazo ya que los aprendices serán de aplicar de forma independiente las estrategias que han experimentado.

¿Significará todo ello el final del curricúlum, de la educación que siempre hemos conocido?

La muerte del currículo educativo, y con él. la de la enseñanza en su sentido más maximalista, puede significar el nacimiento del aprendizaje. La relación entre el currículo y la intimidación es especialmente esclarecedor, en las escuelas de los últimos años:

Si los enfoques tradicionales evaluativos describen un ecosistema uniformizado, estos argumentos actuales no solo ya no sirven, si no que ya no son necesarios, están obsoletos.

La computación ubícua en la evaluación nos permite ver como el aprendiz pasa de objeto a sujeto de aprendizaje, y es quien dirige “las operaciones” del proceso de su aprendizaje, por tanto de su evaluación.

A lo mejor la ley de MOORE nos sirve de acicate para ir desarrollando dispositivos heterogéneos de computación, lo cual hace que el aprendizaje continuado y permanente (Life Long Learning) esté garantizado, que de otra manera no lo estaría.

Esta computación ubbícua tiene un reto sin el cual tampoco tiene sentido, la movilidad (ubicuidad) de los aprendices, lo que llamamos aprender de manera móvil-MOBILE LEARNING-.

De la misma manera los aprendices deben poder utilizarlos como, cuando y donde les vaya bien para su aprendizaje (BYOD), por lo que ponerles límites, es ir en contra de una más que necesaria evaluación.

Naturalmente es casi imposible hoy en día soportar todos los mecanismos de informática en un solo dispositivo, lo cuál ya nos limita la movilidad, eso es cierto, por lo que aquí ya encontramos un handicap, aunque bien es cierto que disponemos de na nube, la cual nos servirá si tenemos conectividad y accesibilidad a internet, por supuesto.

Cualquier intervención educativa tiene una teoría implícita del cambio. A diseñar el programa para cambiar los participantes y proponer una estrategia, una “teoría” de cómo el programa lo hará. Un modelo lógico proporciona un marco explícito, a una cadena de conexiones que se muestra cómo usted cree que su programa logrará el impacto deseado.

Los modelos lógicos proporcionar un enfoque útil para la conceptualización de un proyecto de aprendizaje complementarios. Desde proyectos complementarios de aprendizaje puede implicar varias organizaciones y varios componentes, un modelo lógico puede ayudar a planificar un proyecto, dado que los componentes, sus relaciones, y los resultados de estos vínculos son explicitados, dentro del modelo. Una vez que el modelo lógico se desarrolla, sino que también proporciona un método conveniente para explicar el proyecto a los demás.

El modelo típico incluye entradas, salidas y resultados / impactos:

a-Entradas:, financiera, organizativa y de la comunidad de recursos humanos de un proyecto puede utilizar para su trabajo.

b-Resultados: Las actividades del programa un proyecto de entrega y los niveles de participación en esas actividades.

c-Resultados: Los cambios en el comportamiento de los participantes, los conocimientos, actitudes y / o niveles de funcionamiento. Los resultados a corto plazo son relativamente inmediatos cambios que ocurren dentro de unos días o semanas, o la participación (por ejemplo, los estudiantes aprenden ciencia habilidades específicas en un taller de verano de ciencias).

Plazo medio son los resultados de los impactos que se producen a los pocos meses de la participación (por ejemplo, el verano los participantes del taller de ciencia suscribirme en más ciencia AP y cursos de matemáticas de lo que podría tener sin la participación). Los efectos a largo plazo son los resultados que pueden ocurrir meses o años después de su participación. Los proyectos que utilizan este enfoque desarrollar un cuadro resumen o una tabla que ilustra los vínculos causales entre las entradas, salidas, y los resultados.

• Conocimiento memorístico vs. dependencia de recursos externos.

A los aprendices se les prohibe usar libros o calculadoras, y mucho menos computadoras o la web. Lo contrario es cierto para la vida adulta,

• Cobertura vs. la explosión del conocimiento.

Las personas, los aprendices necesitan obtener posiciones de aprendizaje significativas de conocimiento por lo que necesita aprender de manera continuada y a lo largo de toda si vida (life long learning). A medida que el conocimiento ha crecido exponencialmente los libros de texto han crecido más y se han convertido en un lastre que presenta dificultades para cubrir todos los

materiales significativos, y así los planes de estudios se han convertido en “una milla de ancho y una pulgada de profundidad.”

Si tenemos en cuenta la explosión del conocimiento, la gente no puede aprender en la escuela Todos ellos necesitarán saber en la vida posterior, en la calle, en la sociedad…

Por lo que necesitan aprender a aprender y cómo encontrar la información y los recursos necesarios.

d-Aprender a través de la adquisición vs. Aprender haciendo.

La escolarización se puede comparar con una cadena de montaje. En un sentido, los estudiantes se colocan sobre una cinta transportadora imaginaria, mientras que la maquinaria subyacente (plan de estudio, evaluación) los impulsa, voluntaria o involuntariamente, a través de contenido predeterminado.

La educación es efectivamente una «talla única» de un proceso. Si un estudiante intenta escapar de la cinta transportadora, se encuentra con una velada amenaza de fracaso y la exclusión social. El propósito de la educación es «fabricar» un producto (es decir, los estudiantes) que puede hacer una contribución a la fuerza de trabajo, la sociedad y la cultura.

Y es sólo en esos términos, manteniéndose al margen de cualquier estructura o medio, que sus principales líneas de fuerza se pueden discernir. Para cualquier tipo de soporte tiene el poder de imponer su propia hipótesis sobre los incautos.

– Marshall McLuhan, Understanding Media 1967

El punto aquí es que el aprendizaje es algo muy diferente de enseñanza. El aprendizaje es una dinámica humana que no puede ser confinado por las estructuras industrializados o mecanizados. Es algo que la gente hace, no es algo que se hace para ellos.

Si somos capaces de gestionar una mezcla síncrona, pero también asíncrona, encontraremos las mejores maneras de incluir las nuevas tecnologías en cualquier aprendizaje. La mezcla de tecnologías que se aprovechan de los estilos de aprendizaje, la conveniencia personalizada del alumno, y las mejores prácticas de diseño de instrucción permitirán crear programas que involucren el alumno y maximizar la retención del aprendizaje. Por esta razón, la mezcla de la mejor combinación de tecnologías de aprendizaje es un factor crítico de éxito en la creación de entornos eficaces de aprendizaje en línea .

Antes que se popularizase» «oficialmente» el aprendizaje híbrido, ya me decantaba en que la educación no puede tener nunca un formato único, si no que depende de como lo necesiten los aprendices en según que momentos y circunstancias y aportaba, si se acuerdan el aprendizaje ubicuo: (((( APRENDIZAJE UBICUO: el inicio de otro pensamiento…(Educación Disruptiva) https://www.linkedin.com/…/aprendizaje-ubicuo-el…/… )))).

Ya no más se entenderá una única manera de aprender , todo lo contrario, el aprendizaje es un constructo diversificado y no genérico, es más, no podemos presentar currículos a los que deben llegar todos los aprendices de la misma manera, si no que cada aprendiz lo hará de manera personalizada y socializadora con diferentes maneras de hacerlo.

Lo digital, simulado, presencial, asíncrono, síncronos etc… no será procesos de aprendizaje estancos si no escenarios que cada aprendiz y/o grupo de ellos, utilizará según sus conveniencias, necesidades y peculiaridades (Educación Inclusiva).

El concepto “híbrido” pues queda cuestionado porque no es algo interpuesto, si no elegible por los verdaderos responsables de “su” aprendizaje y por tanto es un aspecto que irá evolucionando y transformándose con el tiempo. Un concepto de fuera a dentro, nunca al revés, con una libertad de organización que flexibilice las estrategias de aprendizaje sin ningún impedimento ni burocrático, ni académico,……donde la inclusividad (personalización) de dichos aprendizajes busquen la Excelencia de cada persona, donde la Ubicuidad sea trascendente, tanto para situaciones espacio-temporales, como en la utilización de estrategias individuales y /o colaborativas.

Como consecuencia, el aprendizaje híbrido será un nuevo elemento que entra en el juego de la educación, pero ni el más importante ni mucho menos el único, así como tampoco lo será de igual forma el aprendizaje presencial, estático y uniformizado de siempre.

La nueva sociedad de la información y del conocimiento es una sociedad plural muy tecnificada y con unos elementos propios que nunca han existido hasta ahora ni con las Universidades, de más de mil años de antigüedad con Bolonia, ni con Comenius, iniciador de la educación moderna, hace más de 400 años.

Por tanto se dibuja una nueva manera de entender el concepto de educación ((((No solo repensamos, si no que “vestimos” una nueva educación…https://juandomingofarnos.wordpress.com/…/no-solo…/ )))) y por tanto de aprendizaje donde deberemos ser nosotros quienes escribamos este libro con hojas en blanco para determinar como queremos aprender y educarnos pero lo que si está claro es que no hay nada que sea de «hechos consumados», ya que por otra parte sería no solo un atrevimiento inundado si no una incongruencia no deseable.

Seguramente la mezcla será mejor con el conocimiento e implementación de las tecnologías que con el diseño instruccional (Brian Alger), naturalmente estamos acotando lo que se entiende por la educación tradicional, si bien tenemos claro que las tecnologías no significan un cambio en el diseño, pero si en el desarrollo de los aprendizajes de los aprendices, por tanto estos son capaces de «saltarse» tanto el diseño, como las propias tecnologías, ya sean digitales o analógicas, sería asociar el diseño instruccional con la tecnología push, es decir, ordenes recibidas por medio de internet des de un servidor., en definitiva, estas mezclas nunca cambiaran el escenario contextual.

juandon

18 julio, 2022 0

Con la I-bicuidad el aprendizaje se transforma en autónomo y automático

Juan Domingo Farnos

Con la I-bicuidad más allá de la búsqueda de la ubicuidad de la red, cuyo objetivo es hacer posible la conexión a la misma vez “dónde estés y a la hora que estés”, se tratará en el futuro próximo de garantizar que el ciudadano tiene en cada momento y lugar la información que le es imprescindible para ser eficiente (o sea, fuente de productividad personal) así como para poder disfrutar de una mayor calidad de vida.

Dicho de otra forma, quizás ya no tiene sentido hablar de sistemas de información en las organizaciones, sino de organizaciones que son sistemas de información.

El desarrollo del concepto de i-bicuidad requerirá, como se deriva de estos ejemplos, de la combinación de hardware que vaya con nosotros, y de software que haga intuitiva la interfaz entre nosotros y ese hardware. Algunas de las piezas de hardware necesarias se construirán sobre instrumentos que ya llevamos encima, como el teléfono o el reloj, o híbridos de ellos, pero otros serán totalmente nuevos. Ello estimulará, con seguridad, la emergencia de toda una nueva industria, elemento que cuestionan una vez más nuestra manera de aprender.

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

Reconoce que el aprendizaje se adquiere en el medio de la práctica y puede ocurrir mientras se trabaja en las tareas y las relaciones en la mano. (Raelin, 1998)
La idea de aprendizaje a través de la práctica también se apoya en David Kolb y en el modelo de aprendizaje experiencial — hacer o experiencia, reflexionar sobre lo observado o aprendido, el desarrollo de las teorías internas generales sobre la aprendizaje, y aplicar el aprendizaje en experiencias futuras.

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

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

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

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

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

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

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

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

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

Se preocupa sobre todo con la evaluación y la acreditación de aprender de la experiencia de vida y de trabajo ….
Se centra en el aprendizaje experimental como base para lograr un cambio en las estructuras … de la educación post-escolar ….
Enfatiza el aprendizaje experimental como base para la toma de conciencia de grupo ….
Está preocupado por el crecimiento personal y la auto-conciencia.

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

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

Para ello, se plantea un travelling de tendencias que incluye la apertura radical al conocimiento, donde la evolución biológica puede ser hackeada por la mente humana y su esparcimiento viral; las ideas están vivas y en perpétuo cambio… “(open y self-publishing, open educational resources); nuevas formas de certificar conocimiento (open badges, open educational practices); nuevos perfiles (desing thinkers, digital curators, digital yonkis); cursos masivos abiertos (massive online courses, peer assessment); nuevas tipologías de habilidades (transmedia skills); investigación abierta y distribuida (open data) entre otros.

En la reciente DevLearn, Donald Clark habló de AI en el aprendizaje, y si bien…..

“Debemos saber un poco de la historia de la subida de los Sistemas Inteligentes de Tutoría, los problemas con el desarrollo de modelos de expertos, y los enfoques actuales como Knewton y Smart Sparrow. No he tenido la libertad de seguir las últimas novedades tanto como me gustaría, pero Donald dio una gran visión.

Se refirió a los sistemas de estar a punto de los contenidos de análisis automático y el desarrollo de aprendizaje en torno a ella. Mostró un ejemplo, y creó preguntas . También mostró cómo los sistemas pueden adaptarse individualmente al alumno, y discutió cómo podría ser capaz de proporcionar tutoría individual sin muchas limitaciones de los profesores (cognitiva sesgo, fatiga), y no sólo se puede personalizar, pero sí mejorar y escalar!

Uno de los problemas que encontró a corto plazo era que la pregunta autogenerado fuera sobre el conocimiento y no sobre habilidades. Si bien estoy de acuerdo que el conocimiento que se necesita , así como su aplicación, creo que centrarse en este último primero es el camino a seguir.

Esto va junto con lo que Donald ha criticado con razón, como problemas con preguntas de opción múltiple. Señala cómo se utilizan en gran parte como prueba de conocimientos, y estoy de acuerdo que eso está mal, pero mientras hay situaciones prácticas mejores (léase: simulaciones / escenarios / juegos serios), se puede escribir de opción múltiple como mini-escenarios y obtener buenas prácticas . Sin embargo, es aún un problema de investigación interesante, para mí, para tratar de conseguir buenas preguntas de escenarios de contenido auto-análisis.

Se puede ir por un sistema híbrido, donde nos dividimos las funciones entre el ordenador y la intervención de las personas humanas sobre la base de lo que cada uno de nosotros hacemos bien, y me dijo que eso es lo que está viendo en las empresas.

La última parte que me interesaba era si y cómo tales sistemas podrían desarrollar no sólo el aprendizaje de habilidades, pero el meta-aprendizaje o de aprender a aprender. Profesores reales pueden desarrollar este y modificarlo (si bien es cierto y raro), y sin embargo, es probable que sea la mejor inversión. En mi aprendizaje basado en la actividad, le sugerí que poco a poco los alumnos deben hacerse cargo de la elección de sus actividades, a desarrollar su capacidad de convertirse en autodidactas. También le sugerí cómo podría ser en capas en la parte superior de experiencias regulares de aprendizaje. Creo que esto va a ser un área interesante para el desarrollo de experiencias de aprendizaje que son escalables, pero realmente desarrollan los estudiantes para los tiempos venideros.

Hay más: normas pedagógicas, modelos de contenido, modelos con alumnos, etc, pero finalmente estamos consiguiendo ser capaces de construir este tipo de sistemas, y debemos ser conscientes de cuáles son las posibilidades”.

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

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

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

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

Con el trabajo algorítmico que preconizamos debemos tener siempre presente, tanto en las ideas, el desarrollo propio de andamiaje-algoritmico, así como en su posterior diseño, que deben ser capaces de analizar y llevar a cabo de manera pormenorizada y cuidadosa, conocer de que manera el aprendiz es capaz de aprender a aprender de manera personal y personalizada, por lo que estos siempre tendrán garantizado un apoyo inestimable.

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

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

¿El aprendizaje PERSONALIZADO tiene suficiente mejoría en el aprendizaje del aprendiz para justificar los costos de un sistema de aprendizaje más complejo?
¿Cómo podemos aprovechar algoritmos de aprendizaje automático “big data” y otros.. para la construcción de sistemas de aprendizaje personalizadas más eficientes y rentables?
¿Cómo pueden las ideas y resultados de la investigación de las ciencias cognitivas, utilizarlos para mejorar la eficacia de los sistemas de aprendizaje personalizados?.

En este sentido, los sistemas Machine Learning representan un gran avance en el desarrollo de la inteligencia artificial, al imitar la forma en que aprende el cerebro humano -mediante la asignación de significado a la información y darnos más posibilidades de opción según nuestros personalismos.

El Machine learning identificará y categorizará las entradas repetitivas y utilizar la retroalimentación para fortalecer y mejorar su rendimiento. Es un proceso similar a cómo un niño aprende los nombres y la identidad de los animales, haciendo coincidir las palabras con las imágenes; el ordenador, poco a poco, aprende a procesar la información correctamente.

La evolución de los algoritmos que “aprenden” de los datos sin tener que programarse de forma explícita. Un subgrupo particular de Machine Learning se conoce como “aprendizaje profundo” (Deep Learning). Este término describe el uso de un conjunto de algoritmos llamados redes neuronales que toman como modelo el cerebro humano. Los avances en este aprendizaje profundo han impulsado una rápida evolución de las tareas de aprendizaje por parte de las máquinas en los últimos años, en particular el procesamiento del lenguaje y texto, y la interpretación de imágenes y vídeos. Estos sistemas, por ejemplo, llegan a identificar caras o a interpretar el idioma natural a una velocidad y con un grado de acierto que puede superar al de un ser humano.

“Sin entrar en detalles complejos sobre los diferentes paradigmas de Inteligencia Artificial y su evolución podemos dividir dos grandes grupos: la IA robusta y la IA aplicada.

Inteligencia Artificial robusta o Strong AI: trata sobre una inteligencia real en el que las máquinas tienen similar capacidad cognitiva que los humanos, algo que, como los expertos se aventuran a predecir, aún quedan años para alcanzar. Digamos que esta es la Inteligencia de la que soñaban los pioneros del tema con sus vetustas válvulas.
Inteligencia Artificial aplicada Weak AI (Narrow AI o Applied AI): aquí es donde entran el uso que hacemos a través de algoritmos y aprendizaje guiado con el Machine Learning y el Deep Learning.

El Machine Learning en su uso más básico es la práctica de usar algoritmos para parchear datos, aprender de ellos y luego ser capaces de hacer una predicción o sugerencia sobre algo.

El Machine Learning en su uso más básico es la práctica de usar algoritmos para parsear datos, aprender de ellos y luego ser capaces de hacer una predicción o sugerencia sobre algo. Los programadores deben perfeccionar algoritmos que especifiquen un conjunto de variables para ser lo más precisos posibles en una tarea en concreto. La máquina es entrenada utilizando una gran cantidad de datos dando la oportunidad a los algoritmos a ser perfeccionados.

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

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

La gente tiene que aceptar su responsabilidad personal y colectiva. Porque cada vez que creamos un vínculo, cada vez que “al igual que” algo, cada vez que creamos un hashtag, cada vez que compremos un libro en Amazon, y así sucesivamente,… que transformemos la estructura relacional de la memoria común y eso lleva, como venimos diciendo siempre, una responsabilidad y un compromiso.

Por lo tanto, también tenemos que desarrollar el PENSAMIENTO CRÍTICO Todo lo que encontremos en el Internet es la expresión de puntos de vista particulares, que no son ni neutrales ni objetivos, sino una expresión de subjetividades activas. ¿De dónde viene el dinero? ¿De dónde proceden las ideas? ¿Qué es el contexto pragmático del autor? etcétera…

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

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

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

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

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

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

El sueño de entregar el aprendizaje personalizado utilizando objetos de aprendizaje que se ajusta al tiempo real, en cualquier lugar, en cualquier momento, justo suficientes necesidades del estudiante está a punto de convertirse en una realidad. Hoy en día, junto con muchos desarrollos importantes en la psicología de la instrucción, estándares abiertos, lenguajes de marcas estructuradas para la representación de datos interoperables, y el cambio de control de flujo de instrucción desde el cliente al servidor, una base totalmente nueva está haciendo realmente personalizado de aprendizaje en línea .

“Poco a poco las características subversivas de la computadora fueron erosionados distancia: En lugar de cortar a través y así desafiar la idea misma de fronteras temáticas, el equipo ahora se define un nuevo tema; en lugar de cambiar el énfasis del currículo impersonal a la exploración en vivo emocionados por los estudiantes, el ordenador se utiliza ahora para reforzar los caminos de la escuela. Lo que había comenzado como un instrumento subversivo de cambio fue neutralizado por el sistema y se convierte en un instrumento de consolidación”..… Audrey Watters

https://juandomingofarnos.wordpress.com/…/los…/Los algoritmos sales de las Universidades de Juan Domingo Farnós Miró

Las diferencias de poder y las cuestiones de desigualdad con los aprendices deben ser tomadas en serio en todos los contextos. Por otra parte, el grado en que el aprendizaje es emancipador u opresivo depende al menos tanto o más en los contextos organizacionales, sociales, culturales, económicos y con políticas más amplias en las que el aprendizaje tenga su sede, como en las prácticas reales de aprendizaje y pedagogías involucradas.

La eficacia de la circulación de información entre pares sugiere, por el contrario, que la participación en la práctica, en lugar de ser su objeto, bien puede ser la condición para la efectividad del aprendizaje “. (Lave y Wenger):

1-La certeza y la estructura da una sensación de seguridad y tranquilidad. La incertidumbre es una enfermedad, según muchos terapeutas.

2. ¿Cuáles son los retos para el docente y para el estudiante? ¿Qué tan preparados están para afrontar los cambios en la educación?

En la sociedad de hoy hay dos conceptos que o confundimos o no asimilamos, …la digitalización informatizada es un proceso técnico, mientras que la digitalización social es un proceso humano que en este caso implica una profunda revolución sociotécnica, todo ello nos lleva a otra sociedad, e aplica al proceso de interiorización personal y de coherencia social de las funcionalidades y efectos múltiples, directos, secundarios y hasta ocultos de esta tecnología.

Su socialización, cuyo resultado es la Sociedad de la Información, es un factor engañoso de progreso, si no está dirigido por una cultura madura de la tecnología, a la que podríamos denominar sociotecnocultura y que representa un objetivo educativo por el que luchar.

Entre las medidas necesarias para comprender mejor la dinámica de esta revolución sociotécnica que vivimos habría que completar la formación en muchas especialidades con dosis adecuadas de interdisciplinariedad, generalizar la práctica del sistemismo diversificado (inclusividad socio.educativa, por ejemplo) y del pensamiento complejo y crear, para difundirlo, un repertorio básico de conceptos sociotecnoculturales…y para ello necesitamos tecnologías inmersivas o no, pero al fin y al cabo las herramientas y los instrumentos siempre han sido utilizados por todas las sociedades.

Por supuesto, por ello tenemos lo que Saez Vacas llama TECNOLOGÍA DE LA INTELIGENCIA, que podemos entender como aquellas creaciones técnicas que no van dirigidas a producir cosas, sino a permitir que el cerebro humano se organice y funcione de manera distinta, es decir… no solo el SOFTWARE es un elemento básico dentro de la sociedad, si no por encima de ello está nuestra capacidad y mentalidad cognitiva de aceptar que estamos en una época cuya idiosincrasia hace que las tecnologías formen parte de nosotros, es más, que las consideremos en nosotros…

Las tecnologías convergentes, internet, la inteligencia artificial, la memoria externa….serán básicas en los próximos tiempos y no ya como tendencias, si no como elementos básicos que trascenderán mucho más de lo que la mayoría de la gente piensa, llegará el momento que ellas condicionarán nuestros actos, como ya lo están haciendo en parte ahora: “trate usted de sacar un billete de avión que no sea por medio de internet” Juan Domingo Farnos

Girar suavemente la noción de competencia”: la distinción entre las habilidades (elemental para realizar operaciones), contenido (será en lo que se ejercita la capacidad) y la novedad en comparación con el punto anterior, el contexto (las condiciones en que practicamos las operaciones y toma significado producciones).
El plan respaldado por capacidades y contenido crece y se materializa en un volumen tridimensional que la tercera dimensión es el contexto (una figura más tarde ayudará a imaginar que estas tres dimensiones).

¿Puede el campo de la investigación educativa científico social explicar cómo sus preocupaciones principales escaparon del aula y entraron en el laboratorio de programación y, recursivamente, cómo las “máquinas de aprendizaje” técnicas están reingresando a las aulas y otros entornos de aprendizaje digitalizados?

Los procesos de aprendizaje automático no humano, y sus efectos en el mundo, deberían ser objeto de escrutinio si se quiere que el campo de la investigación educativa tenga voz para intervenir en la revolución de los datos. Si bien la investigación educativa desde diferentes perspectivas disciplinarias ha luchado durante mucho tiempo sobre las formas en que el “aprendizaje” se conceptualiza y entiende como un proceso humano, también debemos comprender mejor el aprendizaje no humano que ocurre en las máquinas. Esto es especialmente importante ya que las máquinas que se diseñaron para aprender desempeñan un papel de “pedagogía pública” en las sociedades contemporáneas y también se están impulsando en los esfuerzos comerciales y políticos para reformar los sistemas educativos a gran escala.

Una de las grandes historias de tecnología de los últimos meses se refiere a DeepMind, la empresa de inteligencia artificial propiedad de Google, pionera en el aprendizaje automático de próxima generación y las técnicas de aprendizaje profundo. El aprendizaje automático a menudo se divide en dos categorías. El ‘aprendizaje supervisado’ implica que los algoritmos sean ‘entrenados’ en un conjunto de datos seleccionado para detectar patrones en otros datos encontrados posteriormente ‘en la naturaleza’. El aprendizaje no supervisado, por el contrario, se refiere a sistemas que pueden aprender desde cero mediante la inmersión. en datos.

Crear máquinas inteligentes o más inteligentes que los humanos, no es lo mismo que hacer a los humanos más inteligentes. Cada nivel de complejidad implica un tipo de conocimiento emergente nuevo y más poderoso, en el que todos los procesos cognitivos están aumentados. El último paso, es decir, aquel hacia el cual tendemos, sería el conocimiento algorítmico.

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

Junto con la arquitectura de redes neuronales, un algoritmo de aprendizaje de refuerzo autodirigido de última generación es la innovación técnica que se entrena únicamente mediante el aprendizaje de refuerzo de autoaprendizaje, comenzando con el juego aleatorio, sin supervisión ni uso de datos humanos. ‘como su equipo de ciencia lo describió en la Naturaleza. Sus ‘sistemas de aprendizaje de refuerzo están entrenados a partir de su propia experiencia, en principio permitiéndoles exceder las capacidades humanas y operar en dominios donde falta la experiencia humana’. A medida que el algoritmo de refuerzo procesa sus propias experiencias en el juego, es ‘recompensado’ y ‘reforzado’ por las victorias que logra, para ‘entrenar a un nivel sobrehumano’.

Otro beneficio de la personalización es que cada vez que se personaliza, a aprender y almacenar un poco más sobre el conjunto único de un alumno, se aportan posiciones diferenciadas al aprendizaje social.

Esto no solo permite llegar a un mejor AUTOAPRENDIZAJE, si no también una manera más de “emprendimiento” y “apropiación” de la red, como “espacio” claramente de aprendizaje personalizado y socializador.

Esta “vinculación” que se establece, es propia incluso del funcionamiento cerebral, como muy bien dice George Siemens y diría mi amigo argentina Alicia Banuelos (una maravillosa Física)…”la sinapsis neuroal provoca que las neuronas se vinculen, se relacionen unas con otras”.

El cerebro emite una especie de corriente de “relación” que con un poco de entrenamiento, que lo tengo y mucho, tengo que establecer relaciones entre todos e incluirlos, si es necesario en mis ideas para mejorarlas…

En una base de datos tradicional, el esquema de una tabla se aplica en tiempo de carga de datos. Si los datos que se están cargando no se ajusta al esquema, a continuación, se rechaza. Este diseño es a veces llamado esquema de escritura ya que los datos se comprueban con el esquema cuando se escribe en la base de datos y eso se puede extrapolar a lo que pretendemos que los alumnos aprendan del curriculum preestablecido.

Normalmente por otra parte, no comprobamos los datos cuando se cargan ,cuando los comentamos, explicamos… sino más bien cuando se emite una consulta. Esto se conoce como esquema de lectura.

Hay ventajas y desventajas entre los dos enfoques. Esquema de lectura hace que tengamos una carga inicial muy rápida, ya que los datos no tienes que ser leídos, analizados y serializados en el disco en formato interno de la base de datos.

La operación de carga es sólo una copia de archivo o de movimiento, y es lo que hacemos con los aprendizajes mecánicos de lectura y escritura (totalmente nefastos) es mucho más flexible: : considerar la posibilidad de dos o más esquemas para los mismos datos subyacentes, dependiendo del análisis que se realiza y de la persona que tenga que hacerlo (personalización en los procesos de aprendizaje).

Aparecen una incontenible avalancha de datos por segundo, las tecnologías se hacen cada vez más intangibles y ubicuas. Con la COMPUTACIÓN UBÍCUA, la asincronía funde el“ahora” y el “cuando”; SE TRANSFORMA en cognitiva-mente integrada, están surgiendo nuevas formas de pensar en las quela cognición se complementa con el pc, tabletas, mobile learning…
Mediante el manejo de tecnologías semánticas: etiquetados generados por los usuarios,folksonomías y ontologías; es intuitiva, como cualquier hábito, la computación ubicua se presenta como una parte de la experiencia vital…. niveles de complejidad, constante redefinición de los centros y las periferias y nos permite pasar de la misma Computación Ubícua a la I-BICUIDAD, una nueva manera más SINCRONA de actuar en tiempo real, disponiendo en todo momento de las mejores FUENTES posibles…

Obviamente nosotros vamos mucho más lejos y ante no solo la abalancha de datos que nos llegan, ya que de lo que hablamos, primero, es de otro paradigma, con lo que las “formas actuales” de aprendizaje en nada se parecen a las que proponemos nosotros englobadas dentro de paraguas de la sociedad, contrariamente a lo que sucede ahora en la que la educación permanece como “una parte aislada” dentro de ella.

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

La implicación, en otras palabras, es que poderosos algoritmos de aprendizaje podrían ser puestos a la tarea de entrenar a mejores humanos, o incluso de superar a los humanos para resolver problemas del mundo real.

“Es cierto que los sistemas cognitivos son máquinas inspiradas por el cerebro humano”, ha argumentado en un artículo reciente el vicepresidente de investigaciones y soluciones “Pero también es cierto que estas máquinas inspirarán el cerebro humano, aumentarán nuestra capacidad de razonar y reconectarán las formas en que aprendemos”.

Todos ellos e basan en teorías científicas de aprendizaje -comportamiento psicológico y neurociencia cognitiva- que se utilizan para crear sistemas algorítmicos “sobrehumanos” de aprendizaje y creación de conocimiento. Traducen las teorías subyacentes de la psicología conductista y la neurociencia cognitiva en códigos y algoritmos que pueden ser entrenados, reforzados y recompensados, e incluso convertirse en máquinas autorreforzadoras auodidácticas que pueden exceder la experiencia humana.

Para educadores e investigadores de la educación esto debería plantear preguntas apremiantes. En particular, nos desafía a reconsiderar qué tan bien somos capaces de comprender los procesos que normalmente se consideran parte de nuestro dominio, ya que ahora están siendo refigurados computacionalmente. ¿Qué significa hablar sobre las teorías del aprendizaje cuando el aprendizaje en cuestión tiene lugar en algoritmos de redes neuronales?

El “conductismo de máquina” del tipo desarrollado en DeepMind puede ser una de las teorías de aprendizaje más importantes de la actualidad. Pero debido a que los procesos que explica ocurren en las computadoras en lugar de en los humanos, la investigación educativa tiene poco que decir al respecto o sus implicaciones.

Los desarrollos en el aprendizaje automático, los algoritmos autodidacticos y los procesos de autorrefuerzo pueden ampliar el alcance de los estudios educativos.

La ciencia cognitiva y la neurociencia ya adoptan métodos computacionales para comprender los procesos de aprendizaje, de maneras que a veces parecen reducir la mente humana a procesos algorítmicos y el cerebro al software.

Será esencial un enfoque científico social de estas teorías computacionales del aprendizaje, ya que buscamos comprender mejor cómo una población de sistemas no humanos está siendo capacitada para aprender de la experiencia y, de ese modo, aprender a interactuar con los procesos de aprendizaje humano. En este sentido, los modelos de aprendizaje que están codificados en sistemas de aprendizaje automático pueden tener consecuencias sociales significativas. Necesitan ser examinados tan de cerca como los estudios sociológicos previos han examinado la experiencia de las “ciencias psicológicas” en las expresiones contemporáneas de autoridad y gestión sobre los seres humanos.

Las implicaciones sociales del aprendizaje automático se pueden abordar de dos maneras que requieren un examen educativo adicional. El primero se refiere a cómo la psicología del comportamiento se ha convertido en una fuente de inspiración para los diseñadores de plataformas de redes sociales, y cómo las plataformas de medios sociales están asumiendo un rol pedagógico distintivo.

La mayoría de las plataformas modernas de medios sociales se basan en la ciencia del cambio de comportamiento o en variantes relacionadas de la economía del comportamiento. Utilizan datos exhaustivos sobre los usuarios para generar recomendaciones y sugerencias que pueden dar forma a las experiencias posteriores de los usuarios. Los procesos de aprendizaje automático se utilizan para extraer datos de usuarios sobre patrones de comportamiento, preferencias y sentimientos, comparar esos datos y resultados con vastas bases de datos de actividades de otros usuarios, y luego filtrar, recomendar o sugerir lo que el usuario ve o experimenta en la plataforma.

Desde luego, los procesos de análisis de datos basados en el aprendizaje automático se vuelven controvertidos tras las noticias sobre perfiles psicológicos y microtargeting a través de las redes sociales durante las elecciones, descritas como “manipulación de la opinión pública” y “propaganda computacional”. El campo de la educación debe participar este debate porque el aprendizaje automático llevado a cabo en las redes sociales desempeña el papel de una especie de “pedagogía pública”, es decir, las lecciones aprendidas fuera de las instituciones educativas formales por cultura popular, instituciones informales, espacios públicos, discursos culturales dominantes, y tanto el medios tradicionales y sociales.

Sin embargo, las pedagogías públicas de las redes sociales son importantes no solo porque están guiadas por el aprendizaje automático. También están profundamente informados por la psicología, y específicamente por la psicología conductual. Las ciencias psicológicas del comportamiento están hoy profundamente involucradas en la definición de la naturaleza de los comportamientos humanos a través de sus explicaciones disciplinarias, y en informar las aspiraciones comerciales y gubernamentales estratégicas.

El objeto de aprendizaje puede entonces ser cargado y almacenado en un sistema de gestión, o en un servidor de aprendizaje / o en un curso o un sitio web. Desde allí, el objeto de aprendizaje se despliega. De manera óptima, el bucle de retroalimentación de los usuarios, puede informarles sobre el diseño o rediseño.

El aprendizaje automático ayuda a las personas a trabajar de manera más eficiente y creativa y siempre de manera personalizada/socializadora. Por ejemplo, pueden usar el aprendizaje automático para organizar y editar sus imágenes más rápido. Con el aprendizaje automático, también pueden dejar el trabajo aburrido o elaborado en la computadora. Los documentos en papel, como las facturas, pueden escanear, almacenar y almacenar software de aprendizaje de forma independiente.

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

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

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

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

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

Todo ello ocasionará un Aprendizaje integrado – aprendizaje en red que estará integrado en cada dispositivo, cada herramienta, cada recurso físico de LAS PERSONAS, no hay necesidad de una formación específica, la información más reciente estará disponible sólo en el tiempo, de fuentes auténticas COMPUTACIÓN UBÍCUA E I-BICUA, a juzgar por el valioso análisis de la red, siempre con el contexto y que las personas prestemos nuestra ayuda.

La Personalización puede tomar muchas formas, ya que se adapta el contenido, la práctica, la retroalimentación, o de dirección para que coincida con el progreso y el rendimiento individual. Por ejemplo, dos personas que utilizan la misma instrucción al mismo tiempo pueden ver dos conjuntos completamente diferentes de los objetos de aprendizaje. El mayor beneficio de la personalización de aprendizaje es la capacidad para hacer más fácil la instrucción compleja, presentando sólo lo concreto que será útil o aceptado por cada uno.

Una buena retroalimentación hace pensar:….

a-Si el voto es uno de los factores más importantes para mejorar el trabajo del aprendiz y los resultados….a…

b- ¿qué esperamos? que todos en los centros puedan intervenir por igual…

c-¿no sería mas justo?

Si el modelado del proceso de retroalimentación permite a los jóvenes desarrollar su propia autorregulación de mejorar el trabajo….

¿Cómo no un centro cualquiera deja de implementar toda una política de la regeneración de la universidad, escuela que tenga en cuenta los muchos matices de cada tema?

La retroalimentación es importante. Nos retroalimentamos con los aprendices a a diario, es más, nosotros también lo somos, pero si podemos hacerlo ayudandonos de la Machine learning (La tecnología Machine Learning está abriendo nuevas oportunidades para las aplicaciones de software en temas de retroalimentación, al permitir a los ordenadores aprender de grandes y de pequeñas cantidades de información sin necesidad de ser programados explícitamente, aprendiendo de los errores producidos y segun los datos personalizados, readaptarlos en otras direcciones, lo cual nos permite optar por otras opciones de aprendizaje…)

La evolución de los algoritmos que “aprenden” de los datos sin tener que programarse de forma explícita. Un subgrupo particular de Machine Learning se conoce como “aprendizaje profundo” (Deep Learning de Roger Schank ). Este término describe el uso de un conjunto de algoritmos llamados redes neuronales que toman como modelo el cerebro humano. Los avances en este aprendizaje profundo han impulsado una rápida evolución de las tareas de aprendizaje por parte de las máquinas en los últimos años, en particular el procesamiento del lenguaje y texto, y la interpretación de imágenes y vídeos. Estos sistemas, por ejemplo, llegan a identificar caras o a interpretar el idioma natural a una velocidad y con un grado de acierto que puede superar al de un ser humano.

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

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

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

El beneficio más evidente de estas innovaciones es la creación de una ecología de aprendizaje que comparte recursos de grandes depósitos de contenidos en los objetos de aprendizaje que se comparten de forma individual, ampliamente, y de forma más económica.

Por tanto debemos elegir entre dos posturas que condicionarán el futuro de la Sociedad, ya que la Educación es una de las principales piedras angulares en que gravita cualquier hábitat.

Una, sería seguir buscando mejoras, modificaciones, regeneraciones…a los Sistemas Educativos de amplio aspectro que venimos realizando las últimas generaciones-que sería seguir con una Educación eminentemente formal, estandarizada, homogeneizadora…basada en Curriculums prescriptivos e igualadores… y enfocada a dar resultados que generen titulaciones previstas para que luego deriven en la sociedad en los trabajos clásicos de siempre….

.Poder personalizar el proceso de aprendizaje a cada estudiante es vital para facilitar su progreso y conseguir que utilice todo su potencial. Es necesario adaptar la enseñanza a las necesidades de cada alumno para lograr atender sus dificultades y aprender a potenciar sus puntos más fuertes. Aquí interviene la trazabilidad educativa, un elemento importantísimo en este proceso.

Es una investigación de este calado se habla de recursos síncronos y asíncronos, se habla de los diferentes Roles y responsabilidades, sobre todo de la del investigador, o equipo de investigadores, adjudicándoles el papel no solo de promotores del proceso si no de la retroalimentación del mismo y de su continua revisión.

También hablamos que se aplicará en la Formación Superior (Universidades) en las empresas y en la formación de cualquier etapa, gracias a ala aplicación de la metodología y las herramientas de la web 2.0.,

Se habla de todo el marco teórico, cómo una implementación del E.learning-clásico y de la Escuela Inclusiva, hablamos de la Calidad, de los costes que pueden producirse…

En cuanto a los principios metodológicos, hablamos de un análisis cualitativo, pero con herramientas cuantitativas y cualitativas y aspectos deductivos: consiste en desarrollar una teoría empezando por formular sus puntos de partida o hipótesis básicas y deduciendo luego sus consecuencia con la ayuda de las subyacentes teorías formales. Sus partidarios señalan que toda explicación verdaderamente científica tendrá la misma estructura lógica, estará basada en una ley universal, junto a ésta, aparecen una serie de condicionantes iniciales o premisas, de las cuales se deducen las afirmaciones sobre el fenómeno que se quiere explica.

Completar el marco conceptual tal como se les pidió en la entrega segunda, queremos avanzar con el análisis de necesidades y la identificación de usuarios.

E-learning-Inclusivo, está pensado para la formación Superior (Universidades), pero también para la formación continuada de docentes, para las empresas y profesionales, para las distintas etapas educativas, ya que con los tratamientos de la web 2.0, se puede desarrollar perfectamente con los planteamientos de la Web 2.0.

Por lo tanto, es una investigación que quiere perdurar en el tiempo, que no puede tener fechas cerradas de duración, ya que es de por si flexible y abierta-en contínua revisión- y pretende alcanzar a todos los niveles formativos de la sociedad, de ahí que consideremos que su Necesidad en la Educación sea vital, nunca excluyente de cualquier otra, pero si necesaria.

2º FASE

Para esta siguiente fase además de completar el marco conceptual entraremos en el análisis de necesidades y la identificación de usuarios trabajando en las especificaciones del entorno que vamos a diseñar, en concreto analizaremos la situación: el contexto y las características de los usuarios potenciales. Este es un momento de suma importancia. Se trata de documentarnos acerca del contexto de utilización y de los usuarios de nuestro entorno.

Podemos seguir y seguir, pero acabaremos haciéndonos preguntas, como siempre:….

—¿Qué es el aprendizaje automático? ¿Cómo podemos implementarlo en el mundo de la educación y de manera móvil?

—¿Qué es el aprendizaje móvil? ¿Cuáles son sus posibilidades y limitaciones?

—¿Cuáles son algunos de los límites de los dispositivos móviles en términos de insumos de información? Información de recibo a través del entorno de una pequeña pantalla?

—¿Cuáles son los pasos necesarios para el diseño y construcción de objetos digitales de aprendizaje para la entrega a través de dispositivos móviles y desarrollados de manera automática?

—¿Cuáles son algunos tipos de mobile-friendl y objetos de aprendizaje digitales que se pueden crear hoy en día?

—¿Cuáles son algunos ejemplos de los métodos pedagógicos utilizados en escenarios reales de aprendizaje móvil y automáticos o es mejor crearlos nosotros mismos según nuestras necesidades y contextos, siempre de manera personalizada/socializadora?

—¿Estamos listos para el Aprendizaje Móvil?

—¿Estamos preparados para un aprendizaje móvil dentro del machine learning?

El uso frecuente de los dispositivos móviles no significa que los estudiantes o profesores están preparados para el aprendizaje móvil ni automático:

a——¿Estamos los estudiantes y profesores dispuestos a dar el salto del aprendizaje presencial, del e-learning …al aprendizaje móvil automático?

b —–¿Qué significa estar preparados? Para responder a estas preguntas, podemos examinar los dispositivos móviles que los estudiantes y profesores ya estan utilizando, así como las actividades que realizan durante el uso de estos dispositivos. En la mayoría de los casos, los estudiantes y los profesores ya han participado en una variedad de actividades de informática móvil y la comunicación en el trabajo y para otras facetas cotidianas.

Veremos que pasa en los próximos tiempos, pero parece obvio que el APRENDIZAJE MÓVIL, el AUTOMATIZADO SE MEZCLEN: “aprender desde cualquier sitio y sin importar el tiempo”, cambiará la manera de aprender, eso está claro, sus consecuencias pueden llevarnos a que la sociedad se decida por otra forma de educarse, pero eso lo veremos….

El aprendizaje automático tiene el potencial de respaldar aspectos de la enseñanza y el aprendizaje que consumen mucho tiempo y son difíciles de gestionar, como el trabajo en proyectos individuales, la colaboración, los tutoriales y el aprendizaje autodirigido y si se extrapola a situaciones ubicuas, se podrá incluso a entender la necesidad del cambio de ROLES

Investigaciones recientes de acceso digital han demostrado que el arte de los cuestionamientos abiertos en las aulas está desapareciendo. ¿Qué pasa si volteamos un sistema típico de aprendizaje automático? ¿Qué pasaría si, en lugar de aislar a un alumno de hechos específicos, los sistemas fueran diseñados en su lugar para hacer preguntas abiertas a los estudiantes para excitar y despertar su imaginación, para que su personalización y socialización de sus aprendizajes fueran decisivos en su vida y en su educación?

En Neuroliberalismo de Mark Whitehead y sus coautores sugieren que el software de big data se considera una ‘edad de oro’ para la ciencia del comportamiento, ya que los datos se usarán no solo para reflejar el comportamiento del usuario sino también para determinarlo. En el núcleo de las redes sociales y la conexión de la ciencia del comportamiento están las ideas psicológicas de que la atención de las personas puede “engancharse” a través de simples trucos psicológicos, y que sus comportamientos posteriores y hábitos persistentes pueden ser “activados” a través de la “informática persuasiva” y el comportamiento diseño.’

Después del post “Paradigmas educativos“ ….Hemos realizado este trabajo con el objetivo de conocer sobre los paradigmas de la investigación educativa como son el positivismo, interpretativo, sociocrítico sus métodos y técnicas, conceptos y principios que son herramientas que nos ayudará para el presente y futuro como docentes y estudiantes. La investigación en tecnología educativa está
forzosamente relacionada con lo que se desarrolla en todas aquellas ciencias y disciplinas en las que se fundamenta, por ello su evolución ha seguido los mismos caminos que la investigación didáctica en general y también ha contemplado la polémica entre los paradigmas positivistas, imperativos socio críticos…

Desde la perspectiva cualitativa la investigación educativa pretende la interpretación de los fenómenos, admitiendo desde su planteamiento fenomenológico que admite diversas
interpretaciones. Muchas veces hay una interrelación entre el investigador y los objetos de investigación, pero las observaciones y mediciones que se realiza se consideran válidas mientras constituyan representaciones auténticas de alguna realidad. Tener paradigmas y pensar que cada uno corresponda a un concepción de construcción de conocimientos, una imitante impuesta por una realidad extrapolada desde un conocimiento acumulado que no llega a una profundidad que subraye en lo visible la realidad, cada uno de los paradigmas guarda su sentido pero a la vez, uno tiene razón de ser función del otro. Términos de paradigmas se puede encontrar hoy en cientos textos científicos, en artículos de los más variados contextos, por lo general su empleo viene del sentido que se ha generalizado a partir de la obra de Kuhn.

“La estructura de las revoluciones científicas”. No existe aún una primera teoría unificadora de la educación que nos permita analizar y solucionar la globabilidad y la complejidad de los problemas de la educación. Peor los problemas existen y es posible asumir una de dos posiciones

Esta trilogía paradigmática, conformada por el paradigma cientificista, el paradigma hermético y el paradigma crítico han originado una ruptura epistemológica con un subsecuente proliferación de diferentes estudios, enfoques, teorías y prácticas dentro de la esfera de la investigación educativa, tratando de legitimar desde cada uno de estos paradigmas una propuesta emergente que sirva de fundamento para orientar la acción educativa y el proceso de enseñanza-aprendizaje.

Si en el primer post hablamos de paradigmas, ahora lo haremos de “investigación“…Mientras que la etnografía general se basa en datos cualitativos, no quiere decir que los enfoques cuantitativos no deben ser empleados en el proceso de investigación. La combinación de los dos cables a un “enfoque de métodos mixtos”, que puede adoptar diversas formas: la recolección y análisis de datos pueden ser separados o dirigirse juntos, y cada uno de ellos se pueden utilizar en el servicio de la otra. Por supuesto, esto no es nuevo en los círculos académicos y la etnografía corporativa, pero parece que hay un renovado interés últimamente en este tema, ya que sin duda alguna los aspectos INFORMALES, están superando los formales.

Uno de los impulsores de este renovado interés es la enorme cantidad de información generada por las personas, las cosas, el espacio y sus interacciones — lo que algunos han llamado ” Big Data “: Los grandes conjuntos de datos creados por la actividad de las personas en los dispositivos digitales de hecho ha dado lugar a un aumento de las “huellas” de aplicaciones para teléfonos inteligentes, programas de ordenador y sensores ambientales (INTELIGENCIA ARTIFICIAL) Dicha información se espera actualmente para transformar la forma en que estudiamos el comportamiento y la cultura humana, con, como de costumbre, las esperanzas utópicas, distópicas y miedos …, llegando a entender estos datos como METADATOS….

Encontramos términos que admiten conceptos con los que muchos estaríamos de acuerdo : Etno-minería, como su nombre indica, combina técnicas de la etnografía y la minería de datos. En concreto, la integración de técnicas de minería de datos etnográficos y de etno-minera incluye una mezcla de sus puntos de vista (en lo interpretaciones son válidas e interesantes, y cómo deben ser caracterizados) y sus procesos (lo que selecciones y transformaciones se aplican a los datos para encontrar y validar las interpretaciones).

Por medio de estas investigaciones, esta integración tiene por objeto poner de relieve nuevas formas de entender y potencialmente inspirar el diseño de la investigación la interacción persona-ordenador…

La misma librería JMSL incluye tecnología de redes neuronales que complementa las ya existentes funciones de minería de datos, modelado y predicción, disponibles en toda la familia de productos IMSL. Las clases para la predicción basada en redes neuronales ofrecen un extraordinario potencial , gracias a su capacidad de crear modelos predictivos a partir de datos históricos y de “aprender” para optimizar el modelo a medida que se obtiene más información, lo podríamos llamar “RETROALIMENTACIÓN CONTINUADA Y MULTICANAL”

Los diseñadores de medios sociales de Silicon Valley saben cómo moldear el comportamiento a través del diseño técnico ya que, según Jacob Weisberg, “las disciplinas que lo preparan para esa carrera son la arquitectura de software, la psicología aplicada y la economía del comportamiento, utilizando lo que sabemos sobre las vulnerabilidades humanas para “Weisberg destaca cuántos de los ingenieros de Silicon Valley son graduados del Laboratorio de Computación Persuasiva de la Universidad de Stanford, que utiliza ‘métodos de psicología experimental para demostrar que las computadoras pueden cambiar los pensamientos y comportamientos de las personas de maneras predecibles’.

Las recompensas conductuales -o el aprendizaje reforzado- son importantes en el campo de la informática persuasiva, ya que obligan a las personas a seguir volviendo a la plataforma. Al hacerlo, generan más datos sobre ellos mismos, sus preferencias y comportamientos, que luego pueden procesarse para que la experiencia de la plataforma sea más gratificante. Estas técnicas son, a su vez, interesantes para los científicos que cambian el comportamiento y los que formulan las políticas, ya que ofrecen formas de desencadenar ciertos comportamientos o “empujar” a las personas a tomar decisiones dentro de la “arquitectura de elección” que ofrece el entorno.

Karen Yeung describe la aplicación de datos psicológicos sobre las personas para predecir, orientar y cambiar sus emociones y comportamientos como hiperimpulso. Las técnicas de hiperimpulso utilizan técnicas de computación persuasivas para enganchar a los usuarios y de la ciencia del cambio de comportamiento para desencadenar acciones particulares y respuestas.

“Estas técnicas se utilizan para dar forma al contexto de elección de información en el que se produce la toma de decisiones individuales”, argumenta Yeung, “con el objetivo de canalizar la atención y la toma de decisiones en las direcciones preferidas por el” arquitecto de elección “.

A través del diseño de estrategias de empuje psicológico, las organizaciones de medios digitales están comenzando a jugar un papel poderoso en la configuración y el gobierno de comportamientos y sentimientos.

Algunos ingenieros de Silicon Valley han empezado a preocuparse por las consecuencias psicológicas y neurológicas negativas de los “trucos psicológicos” de los medios sociales en la atención y la cognición de las personas. Silicon Valley se ha convertido en un “imperio global de modificación del comportamiento”, afirma Jaron Lanier. Del mismo modo, a los críticos de AI les preocupa que los algoritmos cada vez más sofisticados inciten y engatusen a las personas para que actúen de la forma que hayan considerado más apropiada -o óptimamente gratificante- por sus algoritmos subyacentes, con importantes implicaciones sociales potenciales.

Lo que sustenta todo esto es una visión conductista particular del aprendizaje que sostiene que las conductas de las personas pueden ser manipuladas y condicionadas a través del diseño de arquitecturas digitales. Audrey Watters ha sugerido que el conductismo ya está resurgiendo en el campo de la tecnología digital, a través de aplicaciones y plataformas que enfatizan el “refuerzo automático continuo” de los “comportamientos correctos” definidos por los ingenieros de software. Tanto en las pedagogías públicas de las redes sociales como en las pedagogías del aula con tecnología mejorada, se está poniendo en práctica un reinicio digital de la teoría del aprendizaje conductista.

Los impulsos conductuales a través del aprendizaje automático algorítmico se están convirtiendo en parte integral de las pedagogías de hipernubo público de las redes sociales. Es parte de la arquitectura instruccional del entorno digital que las personas habitan en su vida cotidiana, buscando constantemente enganchar, desencadenar y empujar a las personas hacia rutinas particulares persistentes y condicionar hábitos de conducta “correctos” que han sido definidos por los diseñadores de plataforma como preferibles en de alguna manera. La investigación educativa debe comprometerse estrechamente con las pedagogías públicas de hipernubración que se producen cuando las ciencias del comportamiento se combinan con el conductismo del aprendizaje automático algorítmico, y observa más de cerca las teorías subyacentes del conocimiento conductual en las que se basan y las conductas que están diseñadas para condicionar .

El segundo gran conjunto de implicaciones del aprendizaje automático se relaciona con la adopción de tecnologías basadas en datos dentro de la educación específicamente. Aunque el concepto de ‘aprendizaje personalizado’ tiene muchas caras diferentes, su encuadre contemporáneo dominante es a través de la lógica del análisis de big data. El aprendizaje personalizado se ha convertido en una poderosa idea para el sector de la tecnología ed, que es cada vez más influyente en la visión de la reforma educativa a gran escala a través de sus plataformas adaptativas.

Las plataformas de aprendizaje personalizadas generalmente consisten en una combinación de minería de datos, análisis de aprendizaje y software adaptativo. Los datos de los estudiantes son recopilados por dichos sistemas, luego se comparan con un modelo ideal de rendimiento estudiantil, para generar predicciones de posibles avances y resultados futuros, o se adaptan de manera receptiva para satisfacer las necesidades individuales de los estudiantes según lo considere apropiado el análisis.

En resumen, el aprendizaje personalizado depende de que los algoritmos autodidacticos de aprendizaje automático se pongan a trabajar para extraer, extraer y procesar los datos de los estudiantes de forma automatizada.

El discurso que rodea el aprendizaje personalizado lo enmarca como un nuevo modo de educación “progresiva”, con ecos conscientes de las pedagogías centradas en el alumno de John Dewey y los modelos asociados de aprendizaje basado en proyectos, experienciales y basados en la investigación. El trabajo de Dewey ha demostrado ser una de las teorías filosóficas más influyentes y duraderas en la educación, a menudo utilizado en conjunto con relatos más abiertamente psicológicos del rol que juega la experiencia en el aprendizaje.

Con su combinación de análisis de big data y aprendizaje automático con progresivismo, podríamos llamar a la teoría del aprendizaje detrás de la personalización ‘Big Dewey’.

Entramos en una época de fronteras porosas entre la inteligencia humana y la inteligencia artificial (con razón llamamos “inteligencia artificial”). Necesitamos una prueba de Turing para decidir si una entidad es humano o no. Si solicitamos algo en línea, como comprar, aprender, un billete de avion…es posible que tengamos que demostrar, que no somos un BOT, una máquina. Y, cuando se trata del desafío que enfrenta la educación — la forma de proporcionar una educación de calidad para un gran número de estudiantes a un costo reducido — la tentación de cruzar la frontera hombre-máquina y dejar que las máquinas (es decir, algoritmos) hagan el trabajo pesado es casi irresistible, es más, ya no es una tentación, realmente es una necesidad.

Las máquinas, las TIC, la internet… proporcionan información más rápido de lo que nadie podría haber imaginado, pero el aprendizaje es dar sentido a la información y el descubrimiento de su significado, el verdadero objetivo de la educación, y con las máquinas aun no lo hemos conseguido, aunque algunos estemos en ello..

Los alumnos pueden aprender métodos y enfoques de los tutores en línea para luego ayudarles a lo largo de su propio camino de aprendizaje. Sus propios itinerarios de aprendizaje. Ese es el punto: los estudiantes adultos (es decir los estudiantes en edad universitaria) aprenden mejor cuando ellos mismos crean rutas de aprendizaje; el tutor en línea puede proporcionar ayuda, pero no puede ser la totalidad de la experiencia de aprendizaje.

Las tecnologías de aprendizaje adaptativas, análisis de aprendizaje en línea que se utilizan para crear rutas de aprendizaje para los alumnos en función de su rendimiento, pueden ayudar a algunos estudiantes, pero no pueden, en muchos casos, proporcionar la oportunidad para el conocimiento profundo y duradero sobre cómo aprender.

La máquina, en las tecnologías de aprendizaje adaptativo, se ha hecho cargo: el algoritmo es la creación de itinerarios de aprendizaje, y no lo que haga el alumno. Este enfoque podría entenderse como un intento de “aprendizaje semi-pasivo.” Esto no quiere decir que no haya usos de las tecnologías de aprendizaje adaptativo, pero es que decir que este enfoque sólo puede ser un elemento de un camino de aprendizaje humano impulsado .

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

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

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

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

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

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

Es nuestra responsabilidad en esta sociedad….

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

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

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

d-Los modelos de diseño para el desarrollo de aplicaciones nuevo jueg

e-Contribuir a la mejora de nuestros algoritmos.

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

Estos sistemas pueden aprender, pero no son las mismas formas de aprendizaje conocidas por la mayoría de los investigadores en educación. A medida que avanza la innovación técnica, más y más aprendizaje va a suceder dentro de las computadoras. Así como los educadores esperan cultivar las mentes jóvenes para que se conviertan en aprendices independientes de por vida, el sector tecnológico está impulsando los procesos de aprendizaje para crear agentes de aprendizaje automático no humanos cada vez más automatizados para compartir el mundo con los humanos. ¿Qué quiere decir que los investigadores educativos no deberían buscar desarrollar su experiencia en la comprensión del aprendizaje automático no humano?

Las teorías del aprendizaje no humano también son cada vez más influyentes, ya que los procesos de aprendizaje automático sustentan tanto las pedagogías de hipernubo público de las redes sociales como las plataformas de aprendizaje personalizadas que he delineado. Las nuevas pedagogías conductistas públicas de hipernudios, inspiradas tanto por la ciencia conductual como por el diseño conductual, están ocurriendo a gran escala entre diferentes públicos, a menudo de acuerdo con objetivos políticos y comerciales, pero la investigación educativa es extrañamente silenciosa en esta área.

Aunque mucho se ha escrito sobre big data y personalización, también debemos explorar cómo la filosofía del sector tecnológico podría afectar e influir en las escuelas, los docentes y los estudiantes a medida que las plataformas de aprendizaje adaptativo escapan del laboratorio de pruebas beta y comienzan a colonizar la educación estatal. Los estudios futuros de aprendizaje personalizado podrían examinar las formas de aprendizaje automático de máquina que se produce en la computadora, así como los efectos educativos y los resultados producidos en el aula.

En la educación — especialmente en la tecnología de mejora de la educación — se nota el final de una época y el principio de otra, la propia OBSOLESCENCIA nos lo indica, lo que es más difícil de ver en la vida cotidiana de los espacios cerrados y obligatorios educativos..

Los asesores de educación y altavoces normalmente nos preguntamos “si un estudiante de hace 100 años llegó a nuestras aulas, se sentiría como en casa”. Obviamente, esta es una afirmación absurda (incluso si pasamos por alto los retos de viajes en el tiempo). Los asesores de educación y algunos “voceros” normalmente declaran “si, un estudiante de hace 100 años llegó a nuestras aulas, se sentiría como en casa”.

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

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

Hay muchas maneras de personalizar el aprendizaje. Sin embargo, al igual que los términos de estilos y la motivación del aprendizaje, la personalización es otro término mal definido. Para ser más específicos, se describe la personalización aquí con cinco niveles con creciente sofistificación, cada nivel que describe una estrategia de personalización específica. Desde los más simples a las más complejas, las cinco estrategias son:

(a) nombre reconocido;

(B) describe a sí mismo;

(D) cognitivo-basada; y

(e) de base integral de la persona.

A lo mejor el “sueño de algunos de una educación autónoma y libre (solo realizable mediado con la Machine learning, AI, internet, TIC), no es tal sueño y es una realidad.

Necesitamos un “travelling”, una apertura radical del conocimiento hackeándolo a través de la mente humana y de algoritmos en perpetuo estado de beta, siempre des de posiciones OPEN y a través de la búsqueda y del uso de competencias tansmedia por medio de investigaciones abiertas y distribuidas..

Con ello estamos dentro de un “pensamiento calculador” que nos conduce hacia un “utilitarismo” el cual lo conseguimos mediante el análisis producido por algoritmos que nos llevan hacia DATOS bien, estandarizados, bien personalizados, en diferentes terrenos: educación, salud, economía…

Esta realidad múltiple y diversa (inclusiva y disruptiva) no nos llevara a ningún punto en común (convergente), si no todo lo contrario, divergente y por tanto completamente inclusivo.

El pensamiento computacional es un pensamiento humano con la ayuda computacional que nos puede llevar por diferentes camino, bien previstos o no. En principio lo suelen estar, pero debemos estar preparados para que la “maquina” adapte las diferentes interfaces de los usuarios-aprendices, su experiencia, así como el contenido y nos ayude a vivir dentro de esta sociedad inteligente (obviamente con esto podemos entenderla, sin esto es difícil).

Si aprendemos métodos para estudiar y moldear el pensamiento, la memoria y la acción tanto para los humanos como de las computadoras, la educación también te capacita para diseñar la interacción entre las personas y la tecnología.

En Inteligencia Artificial (AI) exploramos el pensamiento informático. En neurociencia, observamos lo que está sucediendo en el cerebro. Cuando conectamos lo que nos sucede con lo que sucede en una computadora, el pensamiento se convierte en un híbrido en el que nuestro pensamiento excede los límites entre psicología, cultura, biología y tecnología.

En mi aprendizaje basado en la actividad, sugiero que poco a poco los alumnos deben hacerse cargo de la elección de sus actividades, a desarrollar su capacidad de convertirse en autodidactas. También cómo podría ser en capas en la parte superior de experiencias regulares de aprendizaje. Creo que esto va a ser un área interesante para el desarrollo de experiencias de aprendizaje que son escalables, pero realmente desarrollan los estudiantes para los tiempos venideros.

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

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

Para todo ello proponemos preguntas como:

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

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

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

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

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

La participación en los flujos de conocimiento puede generar nuevas ideas y prácticas y mejorar el rendimiento de una manera que también producen el aprendizaje y nuevas capacidades.

El FLUJO DE CONOCIMIENTOS y de APRENDIZAJES como algo natural en internet y de como de manera SEMÁNTICA, (Coincidiendo con el post de Pierre Levy: EML: A Project for a New Humanism. An interview with Pierre Lévy me pregunto ¿Cómo será el nuevo modelo y como será capaz de describir que nuestra forma de crear y transformar el significado, y que sea computable?….no tardará mucho, de eso podéis estar seguros… Juan Domingo Farnós).Pronto el registro y análisis de datos semánticos podrá convertirse en un nuevo lenguaje común para las ciencias humanas y contribuir a su renovación y el desarrollo futuro.

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

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

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

“Debemos saber un poco de la historia de la subida de los Sistemas Inteligentes de Tutoría, los problemas con el desarrollo de modelos de expertos, y los enfoques actuales como Knewton y Smart Sparrow. No he tenido la libertad de seguir las últimas novedades tanto como me gustaría, pero Donald dio una gran visión.

Esto va junto con lo que Donald Clark ha criticado con razón, como problemas con preguntas de opción múltiple. Señala cómo se utilizan en gran parte como prueba de conocimientos, y estoy de acuerdo que eso está mal, pero mientras hay situaciones prácticas mejores (léase: simulaciones / escenarios / juegos serios), se puede escribir de opción múltiple como mini-escenarios y obtener buenas prácticas . Sin embargo, es aún un problema de investigación interesante, para mí, para tratar de conseguir buenas preguntas de escenarios de contenido auto-análisis.

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

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

Con el trabajo algoritmico que preconizamos debemos tener siempre presente, tanto en las ideas, el desarrollo propio de andamiaje-algoritmico, así como en su posterior diseño, que deben ser capaces de analizar y llevar a cabo de manera pormenorizada y cuidadosa, conocer de que manera el aprendiz es capaz de aprender a aprender de manera personal y personalizada, por lo que estos siempre tendrán garantizado un apoyo inestimable.

Si como científicos de la cognición trabajamos en TI, una industria que actualmente tiene una gran necesidad de personas educadas que comprendan cómo las personas interactúan con la inteligencia artificial y los sistemas automatizados, como diseñadores de interacción, arquitectos de usabilidad, programadores, desarrolladores de sistemas, estrategias de poder o, después de algunos años, como administradores de proyectos.

En Inteligencia Artificial (AI) exploramos el pensamiento informático. En neurociencia, observamos lo que está sucediendo en el cerebro. Cuando conectamos lo que nos sucede con lo que sucede en una computadora, el pensamiento se convierte en un híbrido en el que nuestro pensamiento excede los límites entre psicología, cultura, biología y tecnología.

Se puede ir por un sistema híbrido, donde nos dividimos las funciones entre el ordenador y la intervención de las personas humanas sobre la base de lo que cada uno de nosotros hacemos bien, …

Tales sistemas podrían desarrollar no sólo el aprendizaje de habilidades, pero el meta-aprendizaje o de aprender a aprender. Profesores reales pueden desarrollar este y modificarlo (si bien es cierto y raro), y sin embargo, es probable que sea la mejor inversión. En mi aprendizaje basado en la actividad, le sugerí que poco a poco los alumnos deben hacerse cargo de la elección de sus actividades, a desarrollar su capacidad de convertirse en autodidactas. También le sugerí cómo podría ser en capas en la parte superior de experiencias regulares de aprendizaje. Creo que esto va a ser un área interesante para el desarrollo de experiencias de aprendizaje que son escalables, pero realmente desarrollan los estudiantes para los tiempos venideros.

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

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

Para ello utilizaremos el pensamiento computacional como un concepto de resolución de problemas. Es un pensamiento especial que nos permite comprender un problema complejo y desarrollar posibles soluciones. Soluciones que pueden presentarse de forma que un ser humano, una computadora o ambos puedan entender. Pero el pensamiento computacional se puede describir desde una comprensión muy estrecha o muy amplia.

En la comprensión estrecha, el pensamiento computacional contiene cuatro conceptos clave:

a-Descomposición: que podría dividir un problema o sistema complejo en partes más pequeñas y manejables

b-Reconocimiento de patrones — que se refiere a buscar algo uniforme alrededor y en un problema

c-Abstracción: lo que significa centrarse en la información importante e ignorar detalles irrelevantes

d-Algoritmos: se refiere al desarrollo de soluciones paso a paso para un problema o la preparación de reglas para resolver un problema

Las cuatro piedras angulares son igualmente importantes. Se pueden entender como estar en un taburete. Si falta uno, se produce un. cortocircuito en el proceso. El pensamiento computacional significa dominar estas cuatro técnicas.

Por lo tanto, el pensamiento computacional no es lo mismo que la programación. Tampoco es un concepto de pensar como una computadora, porque una computadora no puede pensar. Solo hace lo que el programa dice que debería hacer. Pero el pensamiento computacional puede permitirnos saber qué decir a la computadora para que realice una determinada acción. Sin embargo, las habilidades que se encuentran detrás del concepto de pensamiento computacional también se pueden usar en una serie de otras situaciones de resolución de problemas que no se relacionan con computadoras en absoluto. Ser capaz de simplificar un problema complejo para que podamos entenderlo fácilmente

En una comprensión más amplia del pensamiento computacional, el concepto se extiende a ambos contienen una cantidad de conceptos y enfoques.

Los cuatro conceptos clave se complementan con:

1-Lógica — que se refiere a predecir y analizar acciones dadas

2-Evaluación — en el entendimiento de poder evaluar y juzgar

Además, añade una descripción más detallada de los cuales se acerca al “pensador computacional” es el trabajo que se puede describir como una actividad persistente, la experimentación para crear algo en cooperación con otros y está en curso mejoras y correcciones de errores basada de las experiencias que se están haciendo.

Una comprensión aún más amplia del Pensamiento Computacional debe contener requisitos estéticos y éticos en relación con las soluciones con las que se trabaja en relación con un problema determinado.

Si vamos a integrar el pensamiento computacional como un tema o como parte de la formación general, es importante que analicemos cómo entendemos el concepto equiparando el pensamiento y la codificación computacionales. Las habilidades no se pueden lograr mediante simples tareas de codificación, son competencias que contienen los enfoques legendarios, experimentales e innovadores y las consideraciones estéticas y éticas.

Con ello debemos adquirir habilidades clave como:

a-pensar cuantitativamente (tanto matemáticamente como estadísticamente);

b-pensar algorítmicamente como una continuación del proceso de avance del pensamiento (iniciado durante sus días de escuela);

c-pensar en términos de aprendizaje automático y predicción;

Para participar en actividades de pensamiento de nivel superior en términos de representar los fenómenos / resultados observados en forma de modelos y luego simular.

Jeannette Wing acuñó el término pensamiento computacional en un artículo reciente del MCCA de 2006. . Ella argumenta que para que los estudiantes apliquen técnicas computacionales o aplicaciones informáticas a los problemas y proyectos en su disciplina particular (ya sean las artes, las ciencias, las humanidades o las ciencias sociales), este conjunto de habilidades se vuelve necesario. Wing también afirma en su artículo seminal que las ideas de abstracción, estratificación de abstracciones y automatización son algunos de los conceptos fundamentales de la informática que han proporcionado nuevos conocimientos sobre las ciencias naturales y las ciencias sociales duras.

Enfatiza que el pensamiento computacional es una habilidad básica emergente para todos, no solo para los informáticos. Por lo tanto, debe convertirse en una parte integral de la educación y agregarse a la capacidad analítica de cada alumno, además de las habilidades de lectura, escritura y aritmética. Al utilizar los conceptos fundamentales para la informática, el pensamiento computacional permite y mejora la capacidad de resolver problemas, diseñar sistemas y comprender el comportamiento humano (Wing, 2006).

Podemos emplear como eje investigar, desarrollar y determinar la eficiencia del uso de un entorno b-learning en la adquisición de habilidades básicas de programación a través de la personalización del contenido para cada alumno, para lograr que un conjunto de actividades que se pueden utilizar se diseñen teniendo en cuenta diferentes niveles adaptados a la personalización de aprendizajes de cada alumno por medio de un de un pensamiento computacional que por medio del soporte del machine learning cree aplicaciones para cada estudiante. La evolución de los algoritmos que “aprenden” de los datos sin tener que programarse de forma explícita. Un subgrupo particular de Machine Learning se conoce como “aprendizaje profundo” (Deep Learning). Este término describe el uso de un conjunto de algoritmos llamados redes neuronales que toman como modelo el cerebro humano. Los avances en este aprendizaje profundo han impulsado una rápida evolución de las tareas de aprendizaje por parte de las máquinas en los últimos años, en particular el procesamiento del lenguaje y texto, y la interpretación de imágenes y vídeos. Estos sistemas, por ejemplo, llegan a identificar caras o a interpretar el idioma natural a una velocidad y con un grado de acierto que puede superar al de un ser humano.

Se implementará un enfoque metodológico mixto para lograr los objetivos. El enfoque cuantitativo, cuyas características al utilizar fenómenos de medida estadística, la experimentación y el uso del análisis causa-efecto permiten un proceso secuencial, deductivo y de prueba para generar resultados. El enfoque cualitativo se lleva a cabo básicamente en entornos naturales y los significados se extraen de los datos que permiten un proceso que contextualiza el fenómeno y la profundidad de las ideas, mas, plenamente ya dentro del espacio de personalized learning con el pensamiento computacional y que a su vez nos ayudará a medir el nivel cognitivo de los estudiantes en el pensamiento computacional, los instrumentos se diseñarán en base al banco de elementos para contar con instrumentos fiables ( válidos (medidas de aprendizaje) y objetivos (se centra en el concepto a medir) que coinciden con los contenidos de cada proceso.

El resultado principal es generar una educación personalizada, una experiencia de aprendizaje que contribuya a la motivación del estudiante en sintonía con los objetivos académicos y su aplicación laboral.

Pero …

¿En qué parte de este proceso hay una oportunidad de mirar realmente fuera de nuestras paredes y ver qué está sucediendo en el mundo? Nuestras urgentes necesidades de aprendizaje no solo están ligadas a los datos finales sobre las prioridades de aprendizaje del pasado. A medida que el mundo cambia a un ritmo exponencial, ¿Quién está determinando lo que nuestros estudiantes necesitarán para prosperar en ese mundo?

“Estar dispuestos a interrumpir constantemente nuestra mentalidad individual y colectiva, si queremos llegar a un acuerdo con las interrupciones necesarias que deben ocurrir en nuestras propias organizaciones si realmente queremos librarnos del pensamiento de status quo que a menudo nos entierra en las prácticas del pasado.

Ver cómo las ‘próximas’ prácticas también necesitan las ‘próximas’ métricas si queremos pivotar de manera efectiva hacia este futuro emergente y más deseable que visualizamos para nosotros y nuestras organizaciones “.

Las necesidades urgentes de aprendizaje de los estudiantes son personales. Cada niño, cada adulto en el sistema tiene necesidades personalizadas que no pueden ser determinadas por el pensamiento estandarizado.

Nuestro pensamiento, los profesores conectados, cuando tienen una comprensión profunda de las expectativas del plan de estudios, pueden diseñar un aprendizaje personalizado para cada niño / estudiante. Crear este entorno para nuestros alumnos requiere una base de pensamiento de conectividad. Los maestros deben poder acceder y participar en una red de apoyo, y usar esta red para apoyar las necesidades individuales de aprendizaje de cada estudiante.

¿Cómo apoyamos a los educadores a autodirigir su aprendizaje a través de sus propias redes de aprendizaje profesional?

“… no solo serán las personas las que tendrán que convertirse en aprendices adaptables, permanecer ágiles en nuestro mundo exponencialmente cambiante en el que vivimos ahora … también lo deben hacer nuestras organizaciones educativas si quieren seguir siendo centros importantes, dinámicos y relevantes de aprendizaje, innovación y transformación frente a estos cambios y cambios sísmicos “

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

Además, en muchos escenarios distribuidos, nos gustaría que los agentes aprendan y optimicen sus políticas en tiempo real, lo que es casi imposible de lograr con modelos centralizados. Investigadores de la inteligencia artificial (IA), publicaron un documento en el que presentaron un método para lo que denominaron “Aprendizaje de refuerzo distribuido entre actores críticos”. algo así como un aprendizaje descentralizado ya que se dirige a las topologías que no solo se distribuyen sino que carecen de coordinadores centrales.

El principio de aprendizaje de similitud de tareas

Los escenarios de aprendizaje de refuerzo multi-agenteson, en términos prácticos, es una de las arquitecturas de aprendizaje profundo más complejas para implementar. La teoría de juegos, la programación distribuida y el aprendizaje no supervisado (LO QUE NOSOTROS HEMOS INVESTIGADO Y TRABAJADO DENTRO DE LOS NO LUGARES ( https://juandomingofarnos.wordpress.com/…/los-no-lugares-e…/ de Juan Domingo Farnos) chocan en los escenarios para crear un entorno increíblemente desafiante para los científicos y desarrolladores de datos.

Serán cientos de miles de nodos que pueden aprender varias tareas. En una topología centralizada típica, la complejidad de la arquitectura está dictada por dos factores inconexos: la cantidad de nodos y el número de tareas. A medida que se agregan más nodos a la red, la comunicación con el coordinador centralizado se vuelve más compleja. Como los agentes necesitan aprender nuevas tareas, el coordinador central se ve obligado a coordinar las políticas de aprendizaje a través de un número arbitrario de nodos en la red.

Podríamos llamar a este conocimiento el Principio de aprendizaje de similitud de tareas y puede conducir a modelos de optimización potentes en escenarios , con lo que asi, si que podemos DOCENTES Y ALUMNOS potenciar habilidades propias del siglo XXI y por tanto, por una parte entrar en dinámicas de aprendizaje FLEXIBLES, ABIERTAS, INCLUSIVAS y por otro entrar de lleno en lo que denominamos EDUCACIÓN DISRUPTICA, que nos que nos ayudara a construir esta nueva CULTURA que necesitamos para crear otros valores, escalables evidentemente y enriquecidos con las TIC, y por otra, llegar a todas las propuestas que queremos llevar a puerto.

El principio de aprendizaje de similitud de tareas básicamente significa que, si un agente de RL aprende una política de tareas específica, otros agentes en la red que realizan tareas similares pueden aprovechar esa política, por lo que antes necesitamos establecer otro PARADIGMA abierto a otros PARADIGMAS, que nos lo permitan, aprovechando esa idea, de estructura conectada en RED en el que hay rutas entre nodos que realizan tareas similares.

En ese NUEVO ESCENARIO, cada agente aprende de los datos recopilados y procesados realizaran su propia tarea (APR3ENDIZAJE AUTONOMO) … https://juandomingofarnos.wordpress.com/…/trrabajadores-de…/ Juan Domingo Farnos

Luego intercambia los parámetros aprendidos con solo sus vecinos más cercanos, de modo que todos los agentes se beneficien de los procesos de aprendizaje de sus vecinos.

Entendemos pues que este DISEÑO DE ARQUITECTURA dispone de ANDAMIAJES COMPLETAMENTE DESCENTRALIZADOS reemplazando a un coordinador central con un gráfico conectado en el que los agentes aprenden de forma independiente y luego comparten algunos parámetros intermedios con sus vecinos 8EDUCACION PERSONALIZADA/SOCIALIZADORA dentro de un ambiente INCLUSIVO y por tanto con un VALOR AÑADIDO que entra de lleno en la comunidad.

Al comunicarse entre sí, los agentes cercanos tienden hacia el consenso. A medida que la información se difunde a través de la red, cada agente se beneficia del proceso de aprendizaje de cada uno de los otros agentes. Dado que los agentes solo pueden comunicarse con sus vecinos, la complejidad computacional y la sobrecarga de comunicación por agente aumentan linealmente con el número de vecinos en lugar del número total de agentes.

Los modelos de aprendizaje descentralizados serán clave para implementar escenarios de aprendizaje reforzado a gran escala y la primera premisa donde ubicar las nuevas HABILIDADES DEL SIGLO XXI y también la ayuda necesaria en el CAMBIO DE ROLES entre DOCENTES Y ALUMNOS, como nunca antes había sido posible. El surgimiento de tecnologías como blockchains y ledgers distribuidos, están contribuyendo a acercar el aprendizaje descentralizado y no controlado profundo a la realidad.

Entonces si estaremos dentro de una ecología del conocimiento , como un complejo, conocimiento intensivo del paisaje que emerge de la conexión de abajo hacia arriba Como sistemas adaptativos complejos, tiene una ecología de conocimiento propiedades emergentes, incluye entidades autogestionadas y puede evolucionar en formas que no podemos esperar o predecir.

Estas Ecologías del conocimiento desdibujan las fronteras del aprendizaje que se produce de manera ascendente y emergente, en lugar de aprendizaje que funciones dentro de un contexto estructurado, de un marco global, en forma de comando y de control.

Vamos a :

1. cuestionar, criticar y rechazar algunos aspectos de las prácticas aceptadas,

2. analizar la situación,

3. Construir de una nueva solución a la situación problemática,

4. examinar los procesos de aprendizaje de manera continuada.,

5. implementación de lo que vamos construyendo, pero sin miedo a volverlo a empezar de manera diferente,

6. reflexionar sobre y evaluar el proceso,

7. consolidar los resultados en una nueva práctica estable, pero teniendo en cuenta que nunca se basará en la certidumbre.

En general, utilizando la teoría de la actividad como un marco para el análisis de la actividad en ambientes de aprendizaje complejo tiene una limitación importante. El aprendizaje como una actividad compleja no puede ser capturada por un sistema global de la actividad (o incluso una red de sistemas de actividad) útil orientada a la consecución de un objetivo de la actividad. El aprendizaje es multifacético y dinámico, y las actividades en un ambiente de aprendizaje son borrosas, variadas, lo que hace muy difícil obtener una imagen completa de los sistemas de actividad bajo observación, que abarca, en términos de teoría de la actividad, un conjunto en evolución de los sujetos, objetos, mediación de artefactos, acciones, reglas, normas y división del trabajo. La solución a este problema es entender la actividad de aprendizaje desde la perspectiva del aprendiz.

Schunk (1991, ) destaca cinco preguntas definitivas para distinguir cada teoría de aprendizaje de los demás:

1. ¿cómo se produce el aprendizaje?

2. ¿Qué factores influyen el aprendizaje?

3- ¿cómo ocurre la transferencia?

¿Qué objetivos específicos alimentan el objetivo o la solución general? Los objetivos de aprendizaje, a partir de la síntesis de objetivos más pequeños, más centrados, pueden trazar un camino desde el nivel actual de habilidad o conocimiento al nivel deseado por los aprendices/alumnos/docentes.

No todos los objetivos de aprendizaje son útiles de la misma manera o destinados a la misma audiencia. En 2006, Will Thalheimer, presidente de Work-Learning Research, publicó una “Nueva Taxonomía para Objetivos de Aprendizaje”, que delinea cuatro tipos de objetivos de aprendizaje, cada uno con una función específica.

Estos son:

1-Objetivo de enfoque: guiar la atención de los alumnos hacia los aspectos más importantes del material de aprendizaje

2-Objetivo de rendimiento: Proporcionar a los alumnos una comprensión rápida de las competencias cubiertas en el material de aprendizaje

3-Objetivo de diseño instruccional: guiar el diseño y desarrollo de aprendizaje e instrucción

4-Objetivo de evaluación educativa: Guía para la evaluación de la instrucción

Los primeros dos están enfocados en el estudiante; generalmente se presentan a los estudiantes al comienzo de un curso de instrucción. Ellos distinguen entre lo que los estudiantes deben prestar atención (enfocarse en) y lo que realmente necesitan hacer con el nuevo conocimiento o habilidad (rendimiento). Están buscando identificaciones y otros en el diseño, desarrollo y evaluación del eLearning.

Es costumbre decirles a los estudiantes cuál es el enfoque y el rendimiento; a menudo, eLearning se abre con una pantalla que enumera los objetivos. Dirksen señala que solo proviene de la única o la mejor manera de lograrlo, y sugiere presentarlo con un desafío o una misión. Thalheimer señala una investigación que considera que las “preguntas previas” son al menos tan poderosas como los objetivos de aprendizaje al dirigir la atención de los alumnos hacia el material más importante.

El desafío será e promover el aprendizaje sin sacrificar el rendimiento a corto plazo. En equipos bien dirigidos-, un clima de apertura podría hacer más fácil para comunicar y tratar los errores en comparación con los equipos con las malas relaciones con los líderes o punitivos. Los buenos equipos, de acuerdo con esta interpretación,, aportarán más valor añadido…

Las personas que tendrán y tienen las ideas diferentes a las anteriores sociedades deberán convertirse en líderes de equipos que fomenten la discusión abierta, el ensayo y error, y la búsqueda de nuevas posibilidades en los pequeños grupos que influyen directamente. La otra tarea que tendrán sera trabajar duro para construir organizaciones que conducen a extraordinarias posiciones de trabajo en equipo y el aprendizaje en toda su extensión.

Normalmente y esto lo pueden ver en los estudios del profesor de LA UNIVERSIDAD DE HARVARD ( Amy Edmondson ), aquellos equipos que trabajan más de manera redárquica y comunicativa, siempre tienen más errores a corto plazo, pero a medio y largo plazo, el rendimiento se multiplica de manera exponencial.

(“brechas”). Las lagunas pueden ocurrir debido a falta de conocimiento o habilidades; estos son fácilmente llenados por materiales de instrucción. Pero la instrucción por sí sola no puede llenar las lagunas en la motivación, las brechas creadas por el hábito o los factores ambientales, o las que resultan de una mala comunicación.

Ahora los aprendices pueden tener acceso gratuito al contenido de múltiples fuentes a través de Internet. Pueden elegir alternativas, incluyendo interpretaciones, áreas de interés, e incluso fuentes de la acreditación. Tienen herramientas, tales como teléfonos móviles y cámaras de vídeo, para recopilar ejemplos y datos numéricos se pueden editar, almacenar y utilizar en el trabajo del estudiante. Por lo tanto, la estricta gestión de un plan de estudios preparado sobre la base de un contenido limitado elegido por el personal de entrenamiento se vuelve menos significativa. Por tanto, el énfasis se traslada a la decisión de lo que es importante o relevante, tanto en el material para las necesidades del estudiante o un estudiante individual.

Es probable que los estudiantes en una “clase” tendrán múltiples necesidades diferentes.(aprendizaje personalizado) En el marco de los objetivos de aprendizaje, los enfoques más flexibles para la selección del contenido, entrega, evaluación y otros factores comienzan a emerger. Algo igualmente importante es el desarrollo de los estudiantes que toman la responsabilidad de su propio aprendizaje, a ser abordado como una habilidad para enseñar y aprender.

Este enfoque se opone a la capacitación del personal para dar la espalda a la selección y transmisión de información en grandes bloques o partes (como es el caso en una exposición de un profesor de una hora) para guiar a los estudiantes y estudiantes para encontrar, analizar, evaluar y aplicar la información que es relevante para un tema específico.

La “relevancia” se convierte en negociable entre la formación del personal y los estudiantes. De hecho, el papel del intercambio de capacitación del personal en este contexto sea más que de una facilitación del personal, que tiene menos control sobre dónde y cómo tiene lugar el aprendizaje y que a menudo debe iniciar las negociaciones sobre cómo exactamente el contenido.

El Aprendizaje digital puede dejar una “huella” en la forma de contribuciones permanentes de los estudiantes en la discusión en línea y electrónica con PORTFOLIOS de trabajo con la recogida, almacenamiento y evaluación de las actividades de multimedia en línea «alumno o estudiante. ‘s de revisión por pares involucra a los estudiantes en el examen de su trabajo conjunto, proporcionando información valiosa que se puede utilizar para documentar la revisión y promover una mejor comprensión de los temas. (LA EVALUACIÓN ES RESPONSABILIDAD DE LOS APRENDICES y deja de ser solo un aprendizaje más a ser EL MISMO APRENDIZAJE.

Las analíticas de aprendizaje se desarrolla para que este estudiante monitoreo aprendizaje más fácil y escalable, como lo demuestran sus actividades digitales. Esta retroalimentación analítica provistos a los aprendices puede continuar durante todo el curso y dar lugar a un diagnóstico temprano que permita a los estudiantes a enfocarse en sus debilidades en algunas áreas , siendo la evaluación formativa y formadora, la verdadera evaluación. (LOS PROCESOS HAN SUPERADO LOS OBJETIVOS).

Realmente el mundo cada vez es mas complejo y los aprendizaje de cada aprendiz necesitan alejarse del “control” típico, ya que “dentro” de las aulas se esta produciendo una “involución educativa”, por lo menos en lo que se refiere a nuestro tiempo, pero eso si, aprender fuera de este escenario significa autoaprendizaje, autolideraje y colaboracion diferenciada y diversa 8inclusividad), sin ello es imposible, además de entrar dentro de la dinámica de los datos y macrodatos analizados por medio de tecnologias automatizadas y algoritmos que poco a poco (por no decirlo crudamente, de una manera inmediata), van a ayudarnos a construir escenarios de aprendizaje personalizados y socializadores escalables y mutables.

Los docentes del siglo XXI, han de comprender que ya nunca más serán las”estrellas”, de la educación, que nunca más serán mejor que nadie…los docentes de la sociedad del conocimiento son aquellos que nunca saldrán “en la foto”, pero si que acompañarán a los alumnos en su aprendizaje, ya nunca serán “el pozo del conocimiento”, sino personas con las competencias necesarias de ayudar a los aprendices en su aprender a aprender…. (en la foto salen los aprendices, ellos son los protagonistas y los responsables de su vida)….

El Rol del Docente Tradicionalmente ha sido la figura de autoridad en el aula, desde el punto de la capacidad intelectual y del poder. El docente era visto como el depositario del conocimiento y su rol era el de llenar las mentes de sus alumnos con su conocimiento y entonces luego lograr que los alumnos regurgitaran este conocimiento en el proceso de evaluación. Esta es la forma en que muchos de nosotros fuimos enseñados y como en muchos casos algunos todavía enseñamos1 Después de todo, los alumnos son más fáciles de .controlar cuando están sentados en sus asientos, escuchando una clase expositiva,

En el proyecto de Enseñanza para la Comprensión, llevado a cabo por investigadores de Harvard, Wiske expone que el entorno de enseñanza tiene influencia sobre el rol de los docentes en la enseñanza y aprendizaje del conocimiento. “Muchos docentes de escuela trabajan en entornos que promueven la conducta de transmitir conocimiento a sus alumnos más que de construir y criticar el conocimiento con sus alumnos” (Wiske en Perkins 1995, p.204). 11contestando preguntas o completando cuestionarios escritos.

También es una forma rápida de recorrer el currículum y cubrir todas las unidades. De todos modos, la investigación muestra que el método de enseñanza tradicional no contribuye al aprendizaje efectivo, y no utiliza el potencial de la tecnología (Jonassen, Norton & Wiburg, Sandholtz, Ringstaff, & Dwyer, McCormick & Scrimshaw2). De hecho, muchos creen que una buena herramienta puede ser inútil si no es integrada dentro de estrategias efectivas de enseñanza. “No podemos enchufar a los alumnos a una herramienta de la mente (MindTool) y esperar que trabajen sin nuestra guía y apoyo…” (Jonassen, 2000, p.275-276).

De este modo, queda en el docente la decisión de pensar más allá de las formas tradicionales de enseñanza y de diseño de las clases y liderar experiencias de aprendizaje ricas en tecnología que apoyen el pensamiento basado en la indagación (inquiry-based thinking).

Un enfoque constructivista creará un escenario apropiado para este tipo de pensamiento. En una clase constructivista, los docentes tienen la responsabilidad de cubrir cuatro roles principales: Diseñador de Tecnología; Experto en Audiencia; Experto en Currículum; Experto en Proceso:

1. Diseñador de Tecnología Aunque los docentes no necesiten saber todas las opciones de una herramienta digital (cómo cambiar los colores, en qué botón hacer un clic para agregar una animación, etc.), sí necesitan entender el valor educativo de una herramienta digital o qué puntos fuertes presenta para influir positivamente en el aprendizaje. Necesitan saber de qué modo la tecnología puede ser usada para localizar las dificultades que los alumnos experimentan en relación al currículum. Si el objetivo de un docente es “enseñar tecnología”, el potencial de la tecnología queda sin verse. Y, probablemente, también se desaproveche la competencia central del docente.

Los docentes deben utilizar las habilidades que adquirieron luego de años de experiencia y ser diseñadores de experiencias de aprendizaje. Norton y Wilburg (2003) identifican a un docente diseñador como aquel que reconoce la centralidad de la planificación, estructuración, abastecimiento y orquestamiento

Podemos argumentar que cuando la tecnología es usada como un dispositivo efectivo, el rol del docente y del alumno continúa siendo el mismo. Cuando la tecnología es usada para extender el aprendizaje, el rol del docente como fuente de conocimiento es desplazado de alguna manera y comienza a tomar valor la independencia del alumno.

Cuando la tecnología es usada como un dispositivo transformativo, la diferencia entre docente y alumnos cambia, y toma importancia la comunidad de docentes y alumnos. 12del aprendizaje. Argumentan que el rol del docente es diseñar experiencias de aprendizaje que permitan a los alumnos utilizar la tecnología para resolver problemas, desarrollar conceptos, y apoyar el pensamiento crítico, antes que usar la tecnología para adquirir conocimiento fáctico. O dicho más directamente, los docentes necesitan crear actividades de aprendizaje que logren de sus alumnos aprendices activos, que utilicen la tecnología para desarrollar el conocimiento y la comprensión.

Una de las cosas principales que un docente debiera evitar es diseñar experiencias donde la tecnología haga algo para darle conocimiento a sus alumnos. Es importante que el diseño ubique a los alumnos en el control de la tecnología, no viceversa. Si los alumnos se convierten en sirvientes de la tecnología percibirán que la tecnología sabe algo que ellos no, la computadora es vista como algo “mágico” y no como una herramienta que puedan usar para poner al descubierto el conocimiento (Schwartz en Perkins, 1995).

Hay muchas consideraciones para hacer cuando se diseñan experiencias de aprendizaje enriquecidas con tecnología, cosas que requieren que el docente tenga en cuenta en su clase. Su expertise debe ser aplicada para diseñar y facilitar clases donde predomine el pensamiento, la creatividad, la reflexión, y no simplemente dónde y cuándo hacer clic. 2. Experto en Audiencia Otra competencia central que los docentes deben aportar a una clase donde se integra la tecnología, es el conocimiento de sus alumnos y sus distintas habilidades.

Específicamente, ¿Cuáles son sus intereses y qué es lo que los motiva acerca del aprendizaje? Además, ¿en qué componentes del curriculum encuentran dificultades y qué nivel de andamiaje es necesario para acortar la brecha entre lo que actualmente saben y lo que necesitan comprender? Los docentes deben considerar cómo asignar distintos roles a sus alumnos para que revelen su potencial propio y sus conocimientos. Sandholtz, Ringstaff, y Dwyer (1997) encontraron que los docentes dieron cuenta de incrementos beneficiosos en la colaboración e interacción entre los alumnos cuando la tecnología era integrada en sus clases. “Aparentemente tanto docentes como alumnos pueden sacar provecho del conocimiento y expertise de algunos alumnos, expandiendo además de este modo cada vez más la participación de estos alumnos en clase”. 133. Experto en Curriculum

Es esencial que los docentes estén familiarizados profundamente con el curriculum, tanto en su contenido como en la concatenación de los mismos. Los docentes deben estar atentos a las comprensiones de sus alumnos así como también a los errores conceptuales, además de identificar aquellas áreas del curriculum donde los alumnos tengan una dificultad particular. Como expertos en curriculum, los docentes deben comprender cómo introducir efectivamente “trozos” del mismo que promuevan en los alumnos nuevas comprensiones.

El proyecto de Enseñanza para la Comprensión, llevado adelante por investigadores de Harvard, reveló dos rasgos recurrentes del curriculum que fomentan la comprensión (Wiske 1998). Uno es que el curriculum debe cumplir con las necesidades, intereses y experiencias de los alumnos. El segundo rasgo es que el curriculum debe lograr algo más que dar información, debe empujar a los alumnos a pensar en profundidad y a conectar las ideas con otras áreas de la indagación. Los investigadores de este proyecto apoyan la idea de la necesidad que el curriculum sea personalizado para grupos particulares de alumnos, y para asegurar la equidad y legitimidad a través del respeto a un curriculum estandarizado. Ellos creen que los docentes juegan un rol central en el modelado del curriculum para que cumpla con las necesidades y requerimientos de los alumnos.

El docente cente como experto en el curriculum debe sentirse libre para poder crear experiencias de aprendizaje constructivistas que cumplan los requerimientos del curriculum, y ser capaces de considerar dónde es apropiado integrar la tecnología para promover la comprensión.

Experto en Proceso Es un gran desafío el poder lograr procesos y estrategias de enseñanza efectivos para una clase constructivista, que requiera de prueba y error y posterior reflexión.

En una clase constructivista, el docente no es simplemente quien les dice a los alumnos lo que deben saber. Es, en cambio, quien debe ayudar al alumnos a articular lo que deben saber y cómo lograr saberlo y cada vez mejor. El docente es un facilitador, un coach, y un mentor cognitivo. Cambian el rol desde uno central donde deben modelar la situación problemática a resolver, hasta un rol periférico donde deben alentar a los alumnos a interactuar entre ellos y a construir su propio conocimiento

Los docentes pueden mostrar a sus alumnos vías para descubrir qué es lo que no saben y utilizar nuevo conocimiento para resolver el problema. De esta manera, el docente está modelando su propio proceso de pensamiento. También aquí podemos hablar de las decisiones acerca del uso apropiado de la tecnología.

Es importante que los docentes puedan exponer a sus alumnos a una variedad de tecnologías que sean apropiadas para cada caso, y que ilustren las bases para decidir dónde y cuándo implementar determinada herramienta tecnológica. Este modelo pone al descubierto cierto tipo de creencias erróneas acerca de que la tecnología ayuda a los alumnos a ser consumidores inteligentes de tecnología. Quizás como muchos docentes ya lo han experimentado, hay una rutina logística a llevar a cabo en la planificación del uso de la tecnología en el aula.

Quizás haya que reservar un espacio determinado, cargar determinado software, reservar equipamiento, etc. Bastante a menudo además, alguna parte de la tecnología falla o no se comporta del modo esperado. Burbules y Callister (2000) lo dicen: “el potencial de las nuevas tecnologías incrementa la necesidad de ser creativos, de planificar cuidadosamente y de enfrentarse a nuevos e inesperados desafíos”.

El Rol del Alumno así como el rol del docente debe cambiar en las aulas en las que se integran tecnologías, el rol del estudiante también. Los estudiantes necesitarán tomar dos roles importantes: deberán ser aprendices activos y consumidores inteligentes de tecnología.

1. Aprendices activos Los estudiantes no pueden seguir siendo receptores pasivos de información. En una enseñanza constructivista se espera que se involucren activamente y sean responsables de su propio aprendizaje.

Necesitan estar motivados en la construcción de conocimiento y deseosos de incursionar en el conocimiento compartido por sus compañeros de clase. El estudiante, no el docente, se transforma en el foco del proceso de aprendizaje. Algunos docentes son escépticos con respecto a la habilidad de los estudiantes para asumir un rol central en su propio aprendizaje.

Probablemente recuerden visiones de los estudiantes salteándose las clases o copiándose la tarea. También los docentes pueden recordar aquellos estudiantes que generalmente completan toda la tarea que se les ha 15asignado, pero por el simple hecho de finalizarla, no con el fin de desarrollar o profundizar su comprensión. Estas estrategias minimalistas que apuestan a combatir el sistema no funcionan en un contexto constructivista ya que la construcción del conocimiento es mucho más importante que la transmisión del mismo. Los docentes se preocuparían por el posible fracaso de los estudiantes, si se les pidiera que tuvieran que asumir la responsabilidad por su propio aprendizaje.

En el proyecto ACOT los investigadores observaron que inicialmente, los estudiantes no estaban habituados a pedir ayuda a sus pares pero que rápidamente prefirieron aquellos métodos de enseñanza que requerían una participación activa en vez de pasiva. A medida que los estudiantes tuvieron una mayor responsabilidad en su aprendizaje, se sintieron más dueños de este proceso

2. Consumidores “inteligentes” de tecnología Burbules y Callister (2000) nos recuerdan que los estudiantes deben ser reflexivos y críticos acerca de la tecnología, y deben estar preparados para la posibilidad de que los beneficios obtenidos de la tecnología puedan estar atenuados por los problemas imprevistos y las dificultades que se crean por su uso. Es importante que los estudiantes puedan ver que hay ocasiones en que la tecnología es útil y otras en que no lo es. En resumen, el estudiante es responsable en tomar una decisión crítica de cuándo y si la tecnología debe ser utilizada. Sería aún más beneficioso si también pudieran determinar qué tecnología sería más efectiva para promover comprensión.Conclusión La tecnología es un recurso poderoso que puede tener un gran impacto en la comprensión. El simple hecho de integrar tecnología en la clase crea nuevas condiciones para enseñar y aprender, forzando a alumnos y docentes a abordar la enseñanza y el aprendizaje de una manera diferente.

Sin embargo, si la diferencia produce un nivel alto o profundo de comprensión depende de la pedagogía que se utilice. La pedagogía tradicional ha probado ser un método ineficaz. Los estudiantes simplemente aprenden a realizar sus trabajos rápidamente y a repetir la información en una prueba. Una pedagogía constructivista crea la mejor posibilidad para lograr un aprendizaje significativo.

El aprendizaje basado en la indagación, centrado en el alumno, crea un escenario activo y reflexivo para desarrollar comprensiones profundas. Es inteligente y responsable el explotar los puntos de influencia de la tecnología para localizar áreas de dificultad en el currículum.. Los docentes y los alumnos deberán asumir nuevos roles y nuevas responsabilidades en una clase que integra tecnología con una pedagogía constructivista, pero los beneficios educativos son prometedores.

“Los nuevos docentes están convencidos de las ventajas de incluir dispositivos como los celulares y el uso de internet en la escuela”, asegura Craig, y afirmó además que “los docentes antes eran los dueños del saber y ahora ya no, está en internet”. ((((Diego Craig))))

Una de las implicaciones de usar las herramientas Web 2.0 en la educación es el aprender ya no como una experiencia individual, tal como lo planteaban las teorías de aprendizaje más tradicionales, sino a través de la formación de conexiones e interacciones (conectivismo) a través de sistemas abiertos. Esto último permite el desarrollo de competencias mediante la experiencia de otras personas, el mantenerse actualizado mediante la diversidad de opiniones, etc.

Ello también implica el cambiar el paradigma de que tener el conocimiento es lo importante, sino que ahora el saber aprender será más valioso.

¿Cuál es el lugar de la tecnología en la educación? Muchos docentes, al considerar la integración de la tecnología en sus prácticas, se preguntan dónde se insertaría ésta en sus contextos educativos. Algunos pueden sentir que integrar la tecnología al ya recargado currículum es como tratar de copiar una página en una fotocopiadora que tiene papel atascado. Otros se preguntan si sus habilidades tecnológicas les permitirán llevar adelante una clase donde integren tecnología.

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

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

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

En este sentido, los sistemas Machine Learning representan un gran avance en el desarrollo de la inteligencia artificial, al imitar la forma en que aprende el cerebro humano -mediante la asignación de significado a la información y darnos más posibilidades de opción según nuestros personalismos. El Machine learning identificará y categorizará las entradas repetitivas y utilizar la retroalimentación para fortalecer y mejorar su rendimiento. Es un proceso similar a cómo un niño aprende los nombres y la identidad de los animales, haciendo coincidir las palabras con las imágenes; el ordenador, poco a poco, aprende a procesar la información correctamente.

“Sin entrar en detalles complejos sobre los diferentes paradigmas de Inteligencia Artificial y su evolución podemos dividir dos grandes grupos: la IA robusta y la IA aplicada.

Inteligencia Artificial robusta o Strong AI: trata sobre una inteligencia real en el que las máquinas tienen similar capacidad cognitiva que los humanos, algo que, como los expertos se aventuran a predecir, aún quedan años para alcanzar. Digamos que esta es la Inteligencia de la que soñaban los pioneros del tema con sus vetustas válvulas.
Inteligencia Artificial aplicada Weak AI (Narrow AI o Applied AI): aquí es donde entran el uso que hacemos a través de algoritmos y aprendizaje guiado con el Machine Learning y el Deep Learning.

El Machine Learning en su uso más básico es la práctica de usar algoritmos para parsear datos, aprender de ellos y luego ser capaces de hacer una predicción o sugerencia sobre algo.

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

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

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

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

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

https://juandomingofarnos.wordpress.com/…/los…/Los algoritmos sales de las Universidades de Juan Domingo Farnós Miró

1-La certeza y la estructura da una sensación de seguridad y tranquilidad. La incertidumbre es una enfermedad, según muchos terapeutas.

2. ¿Cuáles son los retos para el docente y para el estudiante? ¿Qué tan preparados están para afrontar los cambios en la educación?

Su socialización, cuyo resultado es la Sociedad de la Información, es un factor engañoso de progreso, si no está dirigido por una cultura madura de la tecnología, a la que podríamos denominar socio-tecnocultura y que representa un objetivo educativo por el que luchar.

Entre las medidas necesarias para comprender mejor la dinámica de esta revolución sociotécnica que vivimos habría que completar la formación en muchas especialidades con dosis adecuadas de interdisciplinariedad, generalizar la práctica del sistemismo diversificado (inclusividad soci-educativa, por ejemplo) y del pensamiento complejo y crear, para difundirlo, un repertorio básico de conceptos sociotecnoculturales…y para ello necesitamos tecnologías inmersivas o no, pero al fin y al cabo las herramientas y los instrumentos siempre han sido utilizados por todas las sociedades.

…

Girar suavemente la noción de competencia”: la distinción entre las habilidades (elemental para realizar operaciones), contenido (será en lo que se ejercita la capacidad) y la novedad en comparación con el punto anterior, el contexto (las condiciones en que practicamos las operaciones y toma significado producciones).

El plan respaldado por capacidades y contenido crece y se materializa en un volumen tridimensional que la tercera dimensión es el contexto (una figura más tarde ayudará a imaginar que estas tres dimensiones).

Los procesos de aprendizaje automático no humano, y sus efectos en el mundo, deberían ser objeto de escrutinio si se quiere que el campo de la investigación educativa tenga voz para intervenir en la revolución de los datos. Si bien la investigación educativa desde diferentes perspectivas disciplinarias ha luchado durante mucho tiempo sobre las formas en que el “aprendizaje” se conceptualiza y entiende como un proceso humano, también debemos comprender mejor el aprendizaje no humano que ocurre en las máquinas. Esto es especialmente importante ya que las máquinas que se diseñaron para aprender desempeñan un papel de “pedagogía pública” en las sociedades contemporáneas y también se están impulsando en los esfuerzos comerciales y políticos para reformar los sistemas educativos a gran escala.

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

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

Normalmente por otra parte, no comprobamos los datos cuando se cargan ,cuando los comentamos, explicamos… sino más bien cuando se emite una consulta. Esto se conoce como esquema de lectura.

Todos ellos e basan en teorías científicas de aprendizaje -comportamiento psicológico y neurociencia cognitiva- que se utilizan para crear sistemas algorítmicos “sobrehumanos” de aprendizaje y creación de conocimiento. Traducen las teorías subyacentes de la psicología conductista y la neurociencia cognitiva en códigos y algoritmos que pueden ser entrenados, reforzados y recompensados, e incluso convertirse en máquinas autorreforzadoras auodidácticas que pueden exceder la experiencia humana.

Los desarrollos en el aprendizaje automático, los algoritmos autodidacticos y los procesos de autorrefuerzo pueden ampliar el alcance de los estudios educativos. La ciencia cognitiva y la neurociencia ya adoptan métodos computacionales para comprender los procesos de aprendizaje, de maneras que a veces parecen reducir la mente humana a procesos algorítmicos y el cerebro al software. Los ingenieros de IBM para la informática cognitiva en la educación, por ejemplo, creen que sus desarrollos técnicos inspirarán nuevas comprensiones de la cognición humana.

La mayoría de las plataformas modernas de medios sociales se basan en la ciencia del cambio de comportamiento o en variantes relacionadas de la economía del comportamiento. Utilizan datos exhaustivos sobre los usuarios para generar recomendaciones y sugerencias que pueden dar forma a las experiencias posteriores de los usuarios. Los procesos de aprendizaje automático se utilizan para extraer datos de usuarios sobre patrones de comportamiento, preferencias y sentimientos, comparar esos datos y resultados con vastas bases de datos de actividades de otros usuarios, y luego filtrar, recomendar o sugerir lo que el usuario ve o experimenta en la plataforma.

forzosamente relacionada con lo que se desarrolla en todas aquellas ciencias y disciplinas en las que se fundamenta, por ello su evolución ha seguido los mismos caminos que la investigación didáctica en general y también ha contemplado la polémica entre los paradigmas positivistas, imperativos socio críticos…

Desde la perspectiva cualitativa la investigación educativa pretende la interpretación de los fenómenos, admitiendo desde su planteamiento fenomenológico que admite diversas

interpretaciones. Muchas veces hay una interrelación entre el investigador y los objetos de investigación, pero las observaciones y mediciones que se realiza se consideran válidas mientras constituyan representaciones auténticas de alguna realidad. Tener paradigmas y pensar que cada uno corresponda a un concepción de construcción de conocimientos, una imitante impuesta por una realidad extrapolada desde un conocimiento acumulado que no llega a una profundidad que subraye en lo visible la realidad, cada uno de los paradigmas guarda su sentido pero a la vez, uno tiene razón de ser función del otro. Términos de paradigmas se puede encontrar hoy en cientos textos científicos, en artículos de los más variados contextos, por lo general su empleo viene del sentido que se ha generalizado a partir de la obra de Kuhn.

Uno de los impulsores de este renovado interés es la enorme cantidad de información generada por las personas, las cosas, el espacio y sus interacciones – lo que algunos han llamado ” Big Data “: Los grandes conjuntos de datos creados por la actividad de las personas en los dispositivos digitales de hecho ha dado lugar a un aumento de las “huellas” de aplicaciones para teléfonos inteligentes, programas de ordenador y sensores ambientales (INTELIGENCIA ARTIFICIAL) Dicha información se espera actualmente para transformar la forma en que estudiamos el comportamiento y la cultura humana, con, como de costumbre, las esperanzas utópicas, distópicas y miedos …, llegando a entender estos datos como METADATOS….

Karen Yeung describe la aplicación de datos psicológicos sobre las personas para predecir, orientar y cambiar sus emociones y comportamientos como hiperimpulso. Las técnicas de hiperimpulso utilizan técnicas de computación persuasivas para enganchar a los usuarios y de la ciencia del cambio de comportamiento para desencadenar acciones particulares y respuestas.

Con su combinación de análisis de big data y aprendizaje automático con progresivismo, podríamos llamar a la teoría del aprendizaje detrás de la personalización ‘Big Dewey’.

Entramos en una época de fronteras porosas entre la inteligencia humana y la inteligencia artificial (con razón llamamos “inteligencia artificial”). Necesitamos una prueba de Turing para decidir si una entidad es humano o no. Si solicitamos algo en línea, como comprar, aprender, un billete de avion…es posible que tengamos que demostrar, que no somos un BOT, una máquina. Y, cuando se trata del desafío que enfrenta la educación – la forma de proporcionar una educación de calidad para un gran número de estudiantes a un costo reducido – la tentación de cruzar la frontera hombre-máquina y dejar que las máquinas (es decir, algoritmos) hagan el trabajo pesado es casi irresistible, es más, ya no es una tentación, realmente es una necesidad.

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

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

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

Es nuestra responsabilidad en esta sociedad….

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

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

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

d-Los modelos de diseño para el desarrollo de aplicaciones nuevo jueg

e-Contribuir a la mejora de nuestros algoritmos.

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

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

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

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

En la educación – especialmente en la tecnología de mejora de la educación – se nota el final de una época y el principio de otra, la propia OBSOLESCENCIA nos lo indica, lo que es más difícil de ver en la vida cotidiana de los espacios cerrados y obligatorios educativos..

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

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

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

Hay muchas maneras de personalizar el aprendizaje. Sin embargo, al igual que los términos de estilos y la motivación del aprendizaje, la personalización es otro término mal definido. Para ser más específicos, se describe la personalización aquí con cinco niveles con creciente sofistificación, cada nivel que describe una estrategia de personalización específica. Desde los más simples a las más complejas, las cinco estrategias son:

(a) nombre reconocido;

(B) describe a sí mismo;

(D) cognitivo-basada; y

(e) de base integral de la persona.

A lo mejor el “sueño de algunos de una educación autónoma y libre (solo realizable mediado con la con la Machine learning, AI, internet, TIC), no es tal sueño y es una realidad.

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

En los últimos tiempos se están dando los corrientes referentes al Big data y a a los Algoritmos (Inteligencia Artificial), los que predicen que significaran la “visualización” de una época con rayos y truenos, que nos tendrá vigilados permanentemente.

Si parece que el tener presente como base la creación de patrones para resolver problemas, no es menos cierto que la variedad de tareas y actividades actualizadas proporciona al estudiante la flexibilidad de elegir y repetir las tareas para aprender las técnicas a su propio ritmo. Esto le permite al alumno tener el control de todo el proceso de aprendizaje, es por este proceso estandarizado normalmente se vicia y conduce a una exclusión, por lo que necesitamos algoritmos asistidos como garantía de elección, diversidad y por tanto, inclusión

Pero …

“No solo serán las personas las que tendrán que convertirse en aprendices adaptables, permanecer ágiles en nuestro mundo exponencialmente cambiante en el que vivimos ahora … también lo deben hacer nuestras organizaciones educativas si quieren seguir siendo centros importantes, dinámicos y relevantes de aprendizaje, innovación y transformación frente a estos cambios y cambios sístémicos “ ..,.

juandon

3 febrero, 2021 0

El valor abierto, inclusivo y ubícuo de nuevos escenarios y espacios de aprendizaje: RR.HH: conexión, desarrollo, compensación, gestión…

Juan Domingo Farnós Miro

Necesitamos con urgencia crear más, mejor y “otros espacios y otros escenarios” que sea como ellos necesitan y quieren” para los aprendices ,necesitamos otras perspectivas para enriquecer y profundizar en nuestros aprendizajes, por lo que deberemos basarnos en el valor del aprendizaje de una manera ABIERTA, INCLUSIVA Y UBICUA,…. y estableciendo la evaluación como base del aprendizaje, como no podría ser de otra manera.

La tecnología estará ahí siempre, debemos empezar a usarla para nosotros desarrollar, para alcanzar nuestros objetivos de manera adecuada. La oportunidad está ahí, está lista para aprovecharla: