Chatbots como asistentes de la autorregulación educativa en procesos algorítmicos automatizados (Educación disruptiva & IA)-II

Juan Domingo Farnós Miró

La autorregulación en la educación disruptiva se refiere a la capacidad de los estudiantes para regular y controlar sus propios procesos de aprendizaje de manera independiente. En el contexto de la inteligencia artificial (IA) en la transformación universitaria, esto implica el uso de tecnologías de IA para personalizar y adaptar la experiencia educativa a las necesidades individuales de los estudiantes.

La autorregulación en los procesos de investigación en la Universidad del siglo XXI puede ser potenciada mediante el uso estratégico de la inteligencia artificial (IA) y otras tecnologías disruptivas:

1. Plataformas de aprendizaje personalizado: Las instituciones pueden implementar plataformas de aprendizaje basadas en IA que recopilen datos sobre el desempeño y los estilos de aprendizaje de los estudiantes. Estos datos pueden utilizarse para personalizar el contenido del curso y las actividades de investigación según las necesidades individuales de cada estudiante, lo que fomenta su autorregulación al permitirles dirigir su propio proceso de aprendizaje.
2. Sistemas de recomendación de recursos: Las IA pueden analizar los intereses y las áreas de investigación de los estudiantes y proporcionar recomendaciones personalizadas sobre materiales de lectura, fuentes de datos y colaboradores potenciales. Esto ayuda a los estudiantes a tomar decisiones informadas y a autogestionar sus proyectos de investigación.
3. Asistentes virtuales para la gestión del tiempo: Los asistentes virtuales basados en IA pueden ayudar a los estudiantes a planificar sus proyectos de investigación, establecer hitos y recordar plazos importantes. Esto promueve la autorregulación al facilitar la organización y la gestión del tiempo de los estudiantes.
4. Feedback adaptativo: Las herramientas de retroalimentación basadas en IA pueden proporcionar comentarios instantáneos y personalizados sobre el progreso de los estudiantes en sus proyectos de investigación. Este tipo de retroalimentación ayuda a los estudiantes a identificar áreas de mejora y a ajustar sus estrategias de investigación de manera autónoma.
5. Análisis de datos automatizado: La IA puede automatizar el análisis de datos, lo que permite a los estudiantes realizar investigaciones más complejas en menos tiempo. Al liberarlos de tareas tediosas y repetitivas, los estudiantes pueden centrarse en aspectos más creativos y críticos de su investigación, lo que fomenta su autorregulación y su compromiso con el proceso de investigación.

La integración de la IA en los procesos de investigación universitaria del siglo XXI puede fomentar la autorregulación al proporcionar a los estudiantes herramientas y recursos personalizados que les permitan dirigir y controlar su propio proceso de aprendizaje e investigación. Esto les ayuda a desarrollar habilidades de pensamiento crítico, autonomía y responsabilidad en su trabajo académico.

Podemos crear un chatbot que ayude a los estudiantes en su proceso de investigación utilizando un algoritmo de procesamiento de lenguaje natural (NLP). En este ejemplo, utilizaré la biblioteca NLTK (Natural Language Toolkit) en Python para construir el chatbot. Vamos a crear un chatbot que pueda responder preguntas comunes sobre el proceso de investigación, proporcionar recursos útiles y ofrecer consejos sobre cómo utilizar herramientas digitales y de IA en su trabajo.

Aquí tienes un ejemplo básico de cómo podría ser el código: ((CREACIÓN DE UN CHATBOT para estos procesos)) Juan Domingo Farnós

pythonCopy codeimport nltk
import random
from nltk.chat.util import Chat, reflections

# Definición de patrones de preguntas y respuestas
research_patterns = [
    (r'¿Cómo puedo empezar mi investigación\??',
     ['Puedes comenzar definiendo claramente tu pregunta de investigación y buscando fuentes relevantes en bases de datos académicas.']),

    (r'¿Cuáles son algunas herramientas útiles para análisis de datos\??',
     ['Algunas herramientas populares incluyen Python con librerías como pandas, numpy y scikit-learn, así como herramientas de visualización como Matplotlib y Seaborn.']),

    (r'¿Qué es la inteligencia artificial y cómo puedo aplicarla en mi investigación\??',
     ['La inteligencia artificial es un campo de la informática que permite a las máquinas aprender y tomar decisiones. Puedes aplicarla en tu investigación utilizando algoritmos de aprendizaje automático para analizar datos, o desarrollando modelos predictivos.']),

    (r'¿Cómo puedo gestionar mejor mi tiempo durante la investigación\??',
     ['Es importante establecer metas claras, planificar tus actividades y utilizar herramientas como calendarios y listas de tareas. También puedes considerar el uso de técnicas de gestión del tiempo, como la técnica Pomodoro.']),

    (r'(.*)',
     ['Lo siento, no entiendo. ¿Puedes ser más específico?'])
]

# Creación del chatbot
def research_chatbot():
    print("¡Hola! Soy tu asistente de investigación. ¿En qué puedo ayudarte?")
    chatbot = Chat(research_patterns, reflections)
    while True:
        user_input = input("Tú: ")
        response = chatbot.respond(user_input)
        print("Bot: " + response)

# Ejecución del chatbot
research_chatbot()

Este chatbot responde a preguntas comunes sobre investigación utilizando expresiones regulares para identificar patrones en el texto del usuario. Podrías mejorar su funcionalidad incorporando modelos de lenguaje más avanzados o integrando APIs de IA para proporcionar respuestas más sofisticadas.

Podemos hacer el chatbot más complejo agregando capacidades más avanzadas de procesamiento de lenguaje natural y acceso a bases de datos y recursos externos. En este caso, usaré la biblioteca SpaCy para el procesamiento de lenguaje natural y también integraré la API de Wikipedia para obtener información adicional sobre temas de investigación. Además, el chatbot tendrá la capacidad de manejar una conversación más fluida y responder preguntas más específicas.

Aquí teneis una versión más compleja del chatbot:

pythonCopy codeimport spacy
import random
import wikipedia

# Cargar modelo de lenguaje de SpaCy
nlp = spacy.load("es_core_news_sm")

# Definición de saludos y despedidas
greetings = ["Hola!", "¡Hola! ¿En qué puedo ayudarte?", "¡Hola! Soy tu asistente de investigación."]
farewells = ["¡Hasta luego!", "¡Adiós!", "¡Que tengas un buen día!"]

# Función para buscar información en Wikipedia
def search_wikipedia(query):
    try:
        summary = wikipedia.summary(query, sentences=2)
        return summary
    except wikipedia.exceptions.DisambiguationError as e:
        return "¡Lo siento, hay varias opciones para esa búsqueda! ¿Puedes ser más específico?"
    except wikipedia.exceptions.PageError as e:
        return "¡Lo siento, no pude encontrar información sobre eso!"

# Función para procesar la entrada del usuario y generar una respuesta
def process_input(input_text):
    doc = nlp(input_text)
    if "hola" in input_text.lower():
        return random.choice(greetings)
    elif "adiós" in input_text.lower() or "hasta luego" in input_text.lower():
        return random.choice(farewells)
    else:
        # Buscar entidades relevantes en la entrada del usuario
        entities = [ent.text for ent in doc.ents]
        if entities:
            entity = entities[0]
            # Realizar búsqueda en Wikipedia utilizando la entidad identificada
            response = search_wikipedia(entity)
            return response
        else:
            return "Lo siento, no entiendo. ¿Puedes reformular tu pregunta?"

# Función principal del chatbot
def research_chatbot():
    print("¡Hola! Soy tu asistente de investigación. ¿En qué puedo ayudarte?")
    while True:
        user_input = input("Tú: ")
        response = process_input(user_input)
        print("Bot:", response)

# Ejecutar el chatbot
research_chatbot()

Esta versión del chatbot utiliza la biblioteca SpaCy para procesar la entrada del usuario y extraer entidades relevantes del texto. Luego, utiliza la API de Wikipedia para buscar información relacionada con esas entidades. Además, el chatbot maneja saludos y despedidas de manera más natural y fluida. ¡Espero que esta versión más compleja sea útil para tus necesidades!

Ejemplo: Investigación en Biología Molecular

Contexto: Un grupo de estudiantes de biología molecular en una universidad está llevando a cabo un proyecto de investigación sobre la relación entre ciertos genes y enfermedades neurodegenerativas.

Proceso de investigación:

1. Recopilación de datos: Los estudiantes utilizan herramientas digitales como bases de datos genómicas y herramientas de análisis bioinformático para recopilar información sobre los genes de interés y su asociación con enfermedades específicas.
2. Análisis de datos con IA generativa: Para identificar patrones complejos en los datos genómicos, los estudiantes utilizan algoritmos de IA generativa, como redes neuronales, para analizar grandes conjuntos de datos y generar hipótesis sobre la función de los genes en las enfermedades estudiadas.
3. Personalización del aprendizaje: Los estudiantes utilizan plataformas de aprendizaje personalizado que utilizan algoritmos de IA para adaptar el contenido del curso y las actividades de investigación a sus intereses y habilidades individuales. Por ejemplo, reciben recomendaciones personalizadas sobre artículos científicos relevantes y metodologías de análisis de datos basadas en su progreso y áreas de interés.
4. Asistente virtual para gestión del tiempo: Los estudiantes utilizan un asistente virtual basado en IA para planificar su trabajo de investigación, establecer plazos y recibir recordatorios sobre hitos importantes. El asistente utiliza algoritmos de planificación para optimizar el tiempo de trabajo de los estudiantes y ayudarles a cumplir con sus objetivos de investigación de manera efectiva.
5. Feedback adaptativo: Los estudiantes reciben feedback instantáneo sobre sus análisis de datos utilizando herramientas de IA que evalúan la calidad de sus resultados y les proporcionan sugerencias para mejorar su enfoque metodológico. Por ejemplo, un algoritmo de evaluación puede identificar posibles errores en el diseño experimental y sugerir modificaciones para aumentar la validez de los resultados.

Demostración con algoritmos en Python:

pythonCopy code# Ejemplo de algoritmo de análisis de datos utilizando IA generativa
import numpy as np
from sklearn.neural_network import MLPClassifier

# Datos de expresión génica (X) y enfermedades (y)
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([0, 1, 1, 0])

# Entrenamiento de la red neuronal
clf = MLPClassifier(hidden_layer_sizes=(4,), activation='relu', max_iter=1000)
clf.fit(X, y)

# Predicción de la asociación entre genes y enfermedades
predictions = clf.predict(X)
print("Predicciones:", predictions)

Demuestro en código cómo las herramientas digitales y de inteligencia artificial pueden utilizarse en un contexto universitario para mejorar los procesos de investigación y fomentar la autorregulación en los estudiantes. La combinación de estas tecnologías permite a los estudiantes personalizar su experiencia de aprendizaje, gestionar su tiempo de manera más efectiva y obtener feedback adaptativo para mejorar su trabajo investigativo.

En términos más específicos, la autorregulación en la educación disruptiva con IA puede implicar el uso de sistemas de tutoría inteligente que monitorean el progreso del estudiante, identifican áreas de dificultad y ofrecen retroalimentación personalizada para mejorar el aprendizaje. Estos sistemas pueden utilizar algoritmos de aprendizaje automático para adaptar continuamente el contenido y los recursos educativos con el fin de optimizar la experiencia de aprendizaje de cada estudiante.

Diseño Instruccional para la Autorregulación en un Programa de Máster con IA Generativa

Objetivo:

El objetivo principal es mejorar la experiencia de aprendizaje de los estudiantes en un programa de máster mediante la implementación de sistemas de tutoría inteligente y adaptativos que utilicen herramientas de IA generativa para proporcionar retroalimentación personalizada, identificar áreas de dificultad y adaptar continuamente el contenido del curso.

Fases del Diseño:

1. Análisis de Necesidades:
   • Identificar las necesidades específicas de los estudiantes en el programa de máster.
   • Evaluar los desafíos y dificultades comunes encontrados por los estudiantes durante su proceso de aprendizaje.
2. Diseño del Curso:
   • Desarrollar un plan de estudios flexible que permita la personalización del aprendizaje.
   • Identificar los objetivos de aprendizaje y los criterios de evaluación.
   • Seleccionar y diseñar contenido educativo que sea adaptable y se pueda actualizar fácilmente.
3. Desarrollo de Sistemas de Tutoría Inteligente:
   • Implementar sistemas de tutoría inteligente que utilicen algoritmos de IA generativa.
   • Integrar herramientas de procesamiento de lenguaje natural para comprender las preguntas y respuestas de los estudiantes.
   • Desarrollar algoritmos de análisis de datos para monitorear el progreso del estudiante y proporcionar retroalimentación personalizada.
4. Implementación:
   • Introducir los sistemas de tutoría inteligente en el entorno de aprendizaje.
   • Capacitar a los estudiantes y profesores en el uso de las herramientas y sistemas implementados.
   • Monitorear continuamente el funcionamiento de los sistemas y realizar ajustes según sea necesario.
5. Evaluación:
   • Evaluar la efectividad de los sistemas de tutoría inteligente en términos de mejora del aprendizaje del estudiante.
   • Recopilar comentarios de los estudiantes y profesores sobre la usabilidad y la utilidad de las herramientas implementadas.
   • Realizar análisis de datos para medir el impacto en el rendimiento académico y la satisfacción del estudiante.

Tecnologías y Herramientas Utilizadas:

1. Procesamiento de Lenguaje Natural (NLP):
   • Utilizado para comprender y generar texto de manera inteligente en los sistemas de tutoría.
2. Algoritmos de Aprendizaje Automático:
   • Algoritmos de clustering como K-means para identificar áreas de dificultad.
   • Algoritmos de recomendación para personalizar el contenido del curso.
3. Herramientas de IA Generativa:
   • OpenAI’s GPT para generar retroalimentación personalizada y respuestas contextualmente relevantes.
4. Plataformas de E-Learning Adaptativas:
   • Plataformas como Moodle o Canvas con capacidades de adaptación y personalización del contenido.

Autores y Referencias Relevantes:

• John Sweller, Richard Mayer y Paul Kirschner: Investigadores en el diseño de la instrucción basada en la teoría del procesamiento de la información.
• Autores y desarrolladores de herramientas de IA generativa como OpenAI.

Universidades Referentes:

• Universidad de Stanford, Universidad de Harvard y MIT: Instituciones líderes en la implementación de tecnologías de IA en la educación.

Este diseño instruccional proporciona una estructura detallada para la implementación de la autorregulación en un programa de máster utilizando herramientas de IA generativa. Cada fase se enfoca en aspectos clave del proceso de diseño y desarrollo para garantizar una implementación efectiva y exitosa.

Construcción de un CHATBOT en Python que utiliza la biblioteca NLTK para procesar el texto y proporcionar respuestas a los estudiantes. También incluiré cinco prompts que podrían ayudar a los estudiantes a entender mejor el tema:

pythonCopy codeimport nltk
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from nltk.stem import SnowballStemmer
import random

# Descargar recursos necesarios de NLTK
nltk.download('punkt')
nltk.download('stopwords')

# Configurar el stemmer
stemmer = SnowballStemmer('spanish')

# Respuestas del chatbot
respuestas = {
    "¿Qué es la autorregulación en la educación disruptiva con IA?": "La autorregulación en la educación disruptiva con IA se refiere a...",
    "¿Cómo puede ayudar la IA en la autorregulación del aprendizaje?": "La IA puede ayudar en la autorregulación del aprendizaje...",
    "¿Cuáles son algunos ejemplos de sistemas de tutoría inteligente?": "Algunos ejemplos de sistemas de tutoría inteligente son...",
    "¿Cómo se adaptan los contenidos educativos con IA?": "Los contenidos educativos se adaptan con IA mediante...",
    "¿Qué beneficios tiene la autorregulación en la educación con IA?": "Los beneficios de la autorregulación en la educación con IA incluyen..."
}

# Lista de prompts para entender el tema
prompts = [
    "¿Puedes explicar en qué consiste la autorregulación en la educación disruptiva con IA?",
    "¿Cómo crees que la IA puede mejorar la autorregulación del aprendizaje en la educación?",
    "¿Qué ejemplos concretos de sistemas de tutoría inteligente conoces?",
    "¿Podrías describir cómo se adaptan los contenidos educativos con IA?",
    "¿Cuáles son, en tu opinión, los principales beneficios de la autorregulación en la educación con IA?"
]

# Función para procesar la entrada del usuario y generar una respuesta
def procesar_entrada(input_text):
    tokens = word_tokenize(input_text.lower())  # Tokenizar y convertir a minúsculas
    tokens = [stemmer.stem(token) for token in tokens if token not in stopwords.words('spanish')]  # Eliminar stopwords y hacer stemming
    
    for prompt in prompts:
        prompt_tokens = word_tokenize(prompt.lower())
        prompt_tokens = [stemmer.stem(token) for token in prompt_tokens if token not in stopwords.words('spanish')]
        if all(token in tokens for token in prompt_tokens):
            return respuestas[prompt]

    # Si no se encuentra un prompt coincidente, se devuelve una respuesta predeterminada
    return "Lo siento, no entendí la pregunta. ¿Podrías reformularla?"

# Función principal del chatbot
def chatbot_autorregulacion():
    print("¡Hola! Soy tu asistente de aprendizaje con IA. ¿En qué puedo ayudarte?")
    while True:
        user_input = input("Tú: ")
        response = procesar_entrada(user_input)
        print("Bot: " + response)

# Ejecutar el chatbot
chatbot_autorregulacion()

Este chatbot utilizará los prompts proporcionados para reconocer las preguntas de los estudiantes y responderlas con información relevante sobre el tema de la autorregulación en la educación disruptiva con IA.

Podemos explorar cómo se podrían aplicar algoritmos en Python, específicamente árboles de decisión, para abordar el escenario de educación disruptiva e inteligencia artificial que hemos planteado anteriormente. Además, consideraremos la creación de tablas explicativas para visualizar los resultados de manera clara.

1. Árboles de Decisión en Python:

Los árboles de decisión son algoritmos de aprendizaje supervisado que pueden utilizarse tanto para clasificación como para regresión. Supongamos que queremos desarrollar un sistema basado en árboles de decisión para personalizar el plan de estudios de un estudiante. Usaremos la biblioteca scikit-learn para implementar esto.

pythonCopy code# Importar bibliotecas
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn import metrics

# Supongamos que tenemos datos de estudiantes con características y rendimiento
# X representará las características, y representará el rendimiento (por ejemplo, aprobado o no)# Dividir datos en conjunto de entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# Inicializar el clasificador de árboles de decisión
clf = DecisionTreeClassifier()# Entrenar el modelo
clf.fit(X_train, y_train)# Predecir con el conjunto de prueba
y_pred = clf.predict(X_test)# Evaluar la precisión del modelo
accuracy = metrics.accuracy_score(y_test, y_pred)
print(f"Precisión del modelo: {accuracy}")

2. Tablas Explicativas:

Para explicar los resultados de nuestro modelo y hacerlo comprensible, podemos crear tablas explicativas que muestren las decisiones tomadas por el árbol de decisión. Esto puede realizarse visualizando el árbol o resumiendo sus reglas.

pythonCopy code# Visualizar el árbol de decisión (requiere la instalación de graphviz y pydotplus)
from sklearn.tree import export_graphviz
from sklearn.externals.six import StringIO
import pydotplus

dot_data = StringIO()
export_graphviz(clf, out_file=dot_data,
                filled=True, rounded=True,
                special_characters=True, feature_names=X.columns, class_names=['No Aprobado', 'Aprobado'])
graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
graph.write_png('arbol_decision.png')

Esta visualización puede ayudar a entender cómo el árbol toma decisiones basadas en características específicas.

Además, podemos imprimir las reglas del árbol:

pythonCopy code# Imprimir reglas del árbol
def print_tree_rules(tree, feature_names):
    tree_ = tree.tree_
    feature_name = [
        feature_names[i] if i != _tree.TREE_UNDEFINED else "undefined!"
        for i in tree_.feature
    ]

    print("Reglas del árbol:")
    def recurse(node):
        if tree_.feature[node] != _tree.TREE_UNDEFINED:
            name = feature_name[node]
            threshold = tree_.threshold[node]
            print(f"If {name} <= {threshold}:")
            recurse(tree_.children_left[node])            print(f"Else {name} > {threshold}:")
            recurse(tree_.children_right[node])
        else:
            print(f"Clase: {tree_.value[node]}")    recurse(0)print_tree_rules(clf, X.columns)

Este enfoque permite una toma de decisiones transparente y facilita la explicación del modelo a estudiantes y educadores. Las tablas explicativas y la visualización del árbol pueden utilizarse para comprender cómo se personaliza el plan de estudios según las características individuales de los estudiantes.

Naturalmente lo podemos llevar aacabo dentro de la web podemos considerar el desarrollo de un panel interactivo que muestre visualmente el árbol de decisiones y las tablas explicativas.

Propuesta:

1. Desarrollo Web con Flask:

• Utilizar el marco de desarrollo web Flask para Python para crear una aplicación web simple. Flask es conocido por ser fácil de usar y adecuado para proyectos pequeños a medianos.

pythonCopy codefrom flask import Flask, render_template

app = Flask(__name__)@app.route('/')
def home():
    return render_template('index.html')if __name__ == '__main__':
    app.run(debug=True)

2. Integración del Árbol de Decisiones y Tablas Explicativas:

• Dentro de la carpeta del proyecto, crear una carpeta llamada templates que contenga un archivo HTML llamado index.html.

htmlCopy code<!-- index.html -->
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Visualización del Árbol de Decisiones</title>
</head>
<body>
    <h1>Visualización del Árbol de Decisiones</h1>
    <!-- Insertar aquí el código necesario para mostrar el árbol y las tablas -->
</body>
</html>

3. Visualización del Árbol de Decisiones:

• Puedes utilizar bibliotecas como graphviz y pydotplus para generar una imagen del árbol de decisiones directamente en la página web.

pythonCopy code# Dentro de la función home en el código Flask
import graphviz
from sklearn.tree import export_graphviz
from sklearn.externals.six import StringIO

@app.route('/')
def home():
    # Código anterior para entrenar el modelo y obtener el árbol    # Visualizar el árbol de decisiones
    dot_data = StringIO()
    export_graphviz(clf, out_file=dot_data, feature_names=X.columns, class_names=['No Aprobado', 'Aprobado'])
    graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
    graph.write_png('static/arbol_decision.png')    return render_template('index.html')

En el HTML, puedes mostrar la imagen del árbol de decisiones:

htmlCopy code<!-- Dentro del cuerpo de index.html -->
<img src="{{ url_for('static', filename='arbol_decision.png') }}" alt="Árbol de Decisiones">

4. Tablas Explicativas:

• Puedes utilizar tablas HTML para mostrar las reglas del árbol de decisiones directamente en la página web.

htmlCopy code<!-- Dentro del cuerpo de index.html -->
<h2>Reglas del Árbol de Decisiones:</h2>
<ul>
    <!-- Insertar aquí el código necesario para mostrar las reglas -->
</ul>

En el código Flask, puedes generar las reglas del árbol y pasarlas a la plantilla:

pythonCopy code# Dentro de la función home en el código Flask
@app.route('/')
def home():
    # Código anterior para entrenar el modelo y obtener las reglas

    # Imprimir reglas del árbol
    rules_list = []    def recurse(node):
        # Llenar rules_list con las reglas del árbol    recurse(0)    return render_template('index.html', rules=rules_list)

Y en el HTML, puedes mostrar las reglas del árbol:

htmlCopy code<!-- Dentro del cuerpo de index.html -->
<ul>
    {% for rule in rules %}
        <li>{{ rule }}</li>
    {% endfor %}
</ul>

Con esta estructura, podemos tener una aplicación web que permite visualizar de manera interactiva el árbol de decisiones y las reglas que el modelo utiliza para personalizar el plan de estudios según las características de los estudiantes. Este enfoque brinda transparencia y facilita la interpretación de los resultados del modelo en un entorno accesible para usuarios no técnicos.

Podemos ver si hay elementos anteriores o relacionados en la web:

Durable — un recurso que los usuarios pueden volver una y otra vez en busca de más experiencia y conocimientos. Queremos un diseño distintivo a apoyar la facilidad de uso y durabilidad.
Persuasiva — porciones de diversas posibilidades de interacción y funcionalidades para atraer a los usuarios en el proceso, . La idea es activar y “persuadir” a los usuarios para navegar alrededor, descubrir, abrir las capas ocultas, y se sienten inspirados a cavar más profundo y se pierden en un sentido positivo entre las muchas capas que se ofrecen.

Visuales — imágenes funcionan como entradas o puntos de partida a capas cada vez más profundas de información. Los usuarios siempre deben ser capaces de tener una experiencia gratificante sólo de imágenes navegando.

Centrado en el usuario — el sitio ofrece múltiples maneras en el contenido, y los usuarios crear sus propios “caminos” En última instancia, nos gustaría a los usuarios a tomar conciencia de que no hay tal cosa como un singular hecho concreto sino por el contrario, muchas variaciones sobre lo que pretendemos hacer (disrupción)
Conectado -contenidos que conectan con material relacionado en toda la web se basa en las relaciones asociativas, y la web nos permite hacer estas asociaciones reales — incluso si nos encontramos en lugares deslocalizados y en tiempos diferentes….

Un principio básico es hacer hincapié en que los aprendices tienen diferentes opiniones acerca de lo que están aprendiendo y dilucidando .Por tanto la navegabilidad, la accesibilidad y la usabilidad…serán siempre elementos básicos para nuestros planteamientos disruptivos en la intervención asíncrona y sincrona de nuestras actuaciones en el learning is the work….

———-Creamos un chatbot avanzado que utiliza un enfoque de preguntas y respuestas para ofrecer respuestas adaptadas al contexto y a cada estudiante. Utilizaremos la biblioteca NLTK para procesar el texto y generar respuestas variadas y relevantes. ((esto sería ya elevar la IA al tema más inclusivo y difernciado (personalized learning de cada estudinte)) Juan Domingo Farnós

pythonCopy codeimport nltk
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from nltk.stem import SnowballStemmer
import random

# Descargar recursos necesarios de NLTK
nltk.download('punkt')
nltk.download('stopwords')

# Configurar el stemmer
stemmer = SnowballStemmer('spanish')

# Respuestas del chatbot agrupadas por tema
respuestas = {
    "autorregulación": [
        "La autorregulación en la educación con IA se refiere a la capacidad...",
        "La autorregulación es fundamental en el proceso de aprendizaje ya que permite a los estudiantes...",
        "Los sistemas de tutoría inteligente utilizan la autorregulación para monitorear el progreso del estudiante y ofrecer retroalimentación personalizada..."
    ],
    "IA en educación": [
        "La inteligencia artificial en la educación es una herramienta poderosa que puede mejorar la personalización del aprendizaje...",
        "La IA en educación puede adaptar el contenido y los recursos educativos para satisfacer las necesidades individuales de cada estudiante...",
        "Algunos ejemplos de IA en educación son los sistemas de tutoría inteligente, los tutores virtuales y los programas de aprendizaje adaptativo..."
    ],
    # Añade más temas y respuestas según sea necesario
}

# Función para procesar la entrada del usuario y generar una respuesta
def procesar_entrada(input_text):
    tokens = word_tokenize(input_text.lower())  # Tokenizar y convertir a minúsculas
    tokens = [stemmer.stem(token) for token in tokens if token not in stopwords.words('spanish')]  # Eliminar stopwords y hacer stemming
    
    # Identificar el tema de interés del usuario
    tema_interes = None
    for tema, palabras_clave in temas_palabras_clave.items():
        if any(token in palabras_clave for token in tokens):
            tema_interes = tema
            break

    if tema_interes:
        return random.choice(respuestas[tema_interes])
    else:
        return "Lo siento, no entendí la pregunta. ¿Podrías reformularla?"

# Temas de interés y palabras clave asociadas
temas_palabras_clave = {
    "autorregulación": ["autorregulación", "tutoría inteligente", "aprendizaje personalizado"],
    "IA en educación": ["IA", "inteligencia artificial", "aprendizaje adaptativo"]
    # Añade más temas y palabras clave según sea necesario
}

# Función principal del chatbot
def chatbot_preguntas_respuestas():
    print("¡Hola! Soy tu asistente de aprendizaje con IA. ¿En qué puedo ayudarte?")
    while True:
        user_input = input("Tú: ")
        response = procesar_entrada(user_input)
        print("Bot: " + response)

# Ejecutar el chatbot
chatbot_preguntas_respuestas()

Este chatbot procesará la entrada del usuario para identificar el tema de interés, luego seleccionará una respuesta aleatoria relevante a ese tema. Las respuestas se adaptarán al contexto y podrán variar para ofrecer una experiencia más dinámica y personalizada a cada estudiante. Puedes agregar más temas, palabras clave y respuestas según sea necesario para ampliar la cobertura del chatbot.

—–Podemos mejorar el chatbot para que interactúe (retroalimentación) con cada estudiante haciendo preguntas sobre lo que hemos tratado, lo cual puede ayudar a determinar el tema de interés del estudiante y personalizar aún más las respuestas generadas: Juan Domingo Farnós

pythonCopy codeimport nltk
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from nltk.stem import SnowballStemmer
import random

# Descargar recursos necesarios de NLTK
nltk.download('punkt')
nltk.download('stopwords')

# Configurar el stemmer
stemmer = SnowballStemmer('spanish')

# Respuestas del chatbot agrupadas por tema
respuestas = {
    "autorregulación": [
        "La autorregulación en la educación con IA se refiere a la capacidad...",
        "La autorregulación es fundamental en el proceso de aprendizaje ya que permite a los estudiantes...",
        "Los sistemas de tutoría inteligente utilizan la autorregulación para monitorear el progreso del estudiante y ofrecer retroalimentación personalizada..."
    ],
    "IA en educación": [
        "La inteligencia artificial en la educación es una herramienta poderosa que puede mejorar la personalización del aprendizaje...",
        "La IA en educación puede adaptar el contenido y los recursos educativos para satisfacer las necesidades individuales de cada estudiante...",
        "Algunos ejemplos de IA en educación son los sistemas de tutoría inteligente, los tutores virtuales y los programas de aprendizaje adaptativo..."
    ],
    # Añade más temas y respuestas según sea necesario
}

# Función para procesar la entrada del usuario y generar una respuesta
def procesar_entrada(input_text, tema_interes=None):
    tokens = word_tokenize(input_text.lower())  # Tokenizar y convertir a minúsculas
    tokens = [stemmer.stem(token) for token in tokens if token not in stopwords.words('spanish')]  # Eliminar stopwords y hacer stemming
    
    if tema_interes:
        return random.choice(respuestas[tema_interes])
    else:
        # Identificar el tema de interés del usuario
        tema_interes = None
        for tema, palabras_clave in temas_palabras_clave.items():
            if any(token in palabras_clave for token in tokens):
                tema_interes = tema
                break

        if tema_interes:
            return random.choice(respuestas[tema_interes])
        else:
            return "Lo siento, no entendí la pregunta. ¿Podrías reformularla?"

# Temas de interés y palabras clave asociadas
temas_palabras_clave = {
    "autorregulación": ["autorregulación", "tutoría inteligente", "aprendizaje personalizado"],
    "IA en educación": ["IA", "inteligencia artificial", "aprendizaje adaptativo"]
    # Añade más temas y palabras clave según sea necesario
}

# Función principal del chatbot
def chatbot_preguntas_respuestas():
    print("¡Hola! Soy tu asistente de aprendizaje con IA. ¿En qué puedo ayudarte?")
    tema_interes = None
    while True:
        user_input = input("Tú: ")
        response = procesar_entrada(user_input, tema_interes)
        print("Bot: " + response)
        
        # Interactuar con el estudiante para determinar el tema de interés
        if tema_interes is None:
            respuesta_usuario = input("¿Te gustaría aprender más sobre autorregulación o IA en educación? ")
            tema_interes = "autorregulación" if "autorregulación" in respuesta_usuario.lower() else "IA en educación"

# Ejecutar el chatbot
chatbot_preguntas_respuestas()

En esta versión mejorada del chatbot, el bot interactuará con el estudiante para determinar el tema de interés preguntando al estudiante qué tema le gustaría aprender más. Luego, utilizará ese tema de interés para generar respuestas adaptadas a ese tema específico. Este enfoque permite una mayor personalización de las respuestas del chatbot según las preferencias y necesidades de cada estudiante.

La propuesta de chatbot que hemos desarrollado puede proporcionar una base sólida para la creación de una aplicación individualizada para cada estudiante. Con algunas modificaciones y personalizaciones adicionales, cada estudiante podría interactuar con el chatbot para explorar sus propios intereses y recibir respuestas adaptadas a sus necesidades específicas de aprendizaje.

Sin embargo, es importante tener en cuenta que el nivel de personalización y adaptabilidad de la aplicación individualizada dependerá en gran medida de la complejidad y sofisticación de las reglas de procesamiento de lenguaje natural, así como de la capacidad del modelo de IA para comprender y responder adecuadamente a las consultas de los estudiantes.

Para desarrollar un chatbot que se acerque lo más posible al razonamiento, podemos explorar la integración de técnicas más avanzadas de procesamiento de lenguaje natural y modelos de IA más sofisticados, como los modelos de lenguaje generativos y los modelos de conversación basados en redes neuronales.:

Propuesta de Chatbot Avanzado:

1. Modelo de Lenguaje Generativo:

• Utilizar un modelo de lenguaje generativo, como GPT (Generative Pre-trained Transformer), que pueda generar respuestas contextualmente relevantes y coherentes.

2. Aprendizaje Automático Continuo:

• Implementar un sistema de aprendizaje automático continuo que pueda adaptar y mejorar las respuestas del chatbot en función de la retroalimentación de los usuarios.

3. Contextualización de la Conversación:

• Mantener un contexto de conversación más amplio para comprender mejor las preguntas y respuestas anteriores y generar respuestas más coherentes y relevantes.

4. Análisis de Sentimientos:

• Incorporar análisis de sentimientos para comprender las emociones detrás de las consultas de los estudiantes y responder de manera más empática y personalizada.

5. Personalización Adaptativa:

• Utilizar técnicas de personalización adaptativa para adaptar las respuestas del chatbot según el historial de interacciones y las preferencias individuales de cada estudiante.

6. Interacción Multimodal:

• Permitir la interacción multimodal, que incluya texto, voz e incluso imágenes, para ofrecer una experiencia de usuario más completa y personalizada.

7. Retroalimentación Interactiva:

• Solicitar retroalimentación interactiva de los usuarios después de cada interacción para mejorar continuamente el rendimiento del chatbot.

8. Seguridad y Privacidad:

• Garantizar la seguridad y privacidad de los datos del usuario mediante el cifrado y el cumplimiento de las regulaciones de protección de datos.

9. Escalabilidad y Mantenimiento:

• Diseñar el chatbot con la capacidad de escalar para manejar un gran volumen de usuarios y realizar un mantenimiento regular para garantizar su eficacia continua.

10. Integración con Sistemas Educativos:

• Integrar el chatbot con sistemas de gestión del aprendizaje y otras plataformas educativas para proporcionar un acceso fácil y una experiencia integrada para los estudiantes.

Esta propuesta se basa en la integración de técnicas avanzadas de procesamiento de lenguaje natural y modelos de IA para desarrollar un chatbot que pueda razonar y responder de manera reflexiva en el contexto de la educación. Aunque alcanzar un nivel de razonamiento humano completo es un desafío, esta propuesta se acerca a ese objetivo al aprovechar las capacidades de los modelos de lenguaje generativos y otros avances en IA.

Ejemplo de cómo implementar algunas de estas ideas en un chatbot utilizando Python y bibliotecas de procesamiento de lenguaje natural. Dado que la implementación completa de todas las funcionalidades descritas sería muy extensa, me centraré en algunas de las características clave, como el uso de un modelo de lenguaje generativo y la adaptación de respuestas basada en el contexto de la conversación.

Primero, necesitaremos instalar la biblioteca transformers de Hugging Face, que nos permitirá utilizar modelos de lenguaje generativos como GPT:

bashCopy codepip install transformers

Ahora, aquí tienes un ejemplo de cómo podríamos implementar un chatbot con algunas de las características mencionadas:

pythonCopy codefrom transformers import pipeline, Conversation

# Cargar el modelo de lenguaje generativo (GPT)
chatbot = pipeline("conversational")

# Función para procesar la entrada del usuario y generar una respuesta
def procesar_entrada(input_text, conversacion):
    if not conversacion:
        # Si es la primera interacción, no hay contexto de conversación
        response = chatbot(input_text)
    else:
        # Si hay una conversación en curso, agregamos el texto de entrada al contexto de la conversación
        conversacion.add_user_input(input_text)
        response = chatbot(conversacion)
    return response

# Función principal del chatbot
def chatbot_educativo():
    print("¡Hola! Soy tu asistente de aprendizaje con IA. ¿En qué puedo ayudarte?")
    conversacion = Conversation()
    while True:
        user_input = input("Tú: ")
        response = procesar_entrada(user_input, conversacion)
        print("Bot: " + response.generated_responses[-1])

# Ejecutar el chatbot
chatbot_educativo()

Este código utiliza un modelo de lenguaje generativo pre-entrenado para responder a las interacciones del usuario. La conversación se mantiene en contexto, lo que significa que las respuestas se adaptan a las interacciones previas del usuario. Ten en cuenta que este es solo un ejemplo básico, y se pueden implementar muchas más características avanzadas según sea necesario.

Para un chatbot avanzado y complejo que aborde el tema de la autorregulación en la educación disruptiva con IA, necesitaríamos un enfoque más sofisticado. Aquí hay una propuesta de implementación que incluye características avanzadas como modelos de lenguaje generativos, adaptación contextual, aprendizaje automático continuo y análisis de sentimientos:

pythonCopy codeimport nltk
from transformers import GPT2LMHeadModel, GPT2Tokenizer
from nltk.sentiment import SentimentIntensityAnalyzer

# Descargar recursos necesarios de NLTK
nltk.download('vader_lexicon')

# Cargar el modelo GPT-2 y el tokenizador
model = GPT2LMHeadModel.from_pretrained("gpt2")
tokenizer = GPT2Tokenizer.from_pretrained("gpt2")

# Inicializar el analizador de sentimientos
sentiment_analyzer = SentimentIntensityAnalyzer()

# Función para generar respuesta con el modelo GPT-2
def generate_response(prompt):
    input_ids = tokenizer.encode(prompt, return_tensors="pt", max_length=250)
    output = model.generate(input_ids, max_length=150, num_return_sequences=3, temperature=0.7, top_k=50, top_p=0.95, repetition_penalty=1.2)
    responses = [tokenizer.decode(output[i], skip_special_tokens=True) for i in range(len(output))]
    return responses

# Función para procesar la entrada del usuario y generar una respuesta adaptada
def process_input(input_text, context=None):
    if context:
        input_text = context + " " + input_text
    responses = generate_response(input_text)
    best_response = max(responses, key=lambda x: sentiment_analyzer.polarity_scores(x)["compound"])
    return best_response

# Función principal del chatbot
def chatbot_autorregulacion():
    print("¡Hola! Soy tu asistente de aprendizaje con IA. ¿En qué puedo ayudarte?")
    context = None
    while True:
        user_input = input("Tú: ")
        response = process_input(user_input, context)
        print("Bot: " + response)
        context = user_input

# Ejecutar el chatbot
chatbot_autorregulacion()

Este código utiliza el modelo de lenguaje generativo GPT-2 para generar respuestas contextualmente relevantes y adaptables. Además, integra un analizador de sentimientos para evaluar la polaridad de las respuestas y seleccionar la mejor respuesta en función del contexto emocional. Esta implementación aborda de manera avanzada el tema de la autorregulación en la educación con IA al proporcionar respuestas adaptadas y reflexivas.

Ejemplo:

Centrado en el Usuario:

Principios de Educación Disruptiva & IA:

1. Personalización del Contenido:

• Utilizar algoritmos de IA para adaptar el contenido educativo según las preferencias y habilidades de cada estudiante. Permitir que los usuarios creen sus propios «caminos» de aprendizaje, eligiendo el contenido que sea más relevante para sus necesidades y estilos de aprendizaje.

1. Interactividad y Participación:

• Integrar elementos interactivos que fomenten la participación del usuario. Plataformas educativas pueden ofrecer foros, discusiones, y actividades colaborativas que permitan a los estudiantes interactuar y contribuir con sus perspectivas únicas.

1. Conciencia de la Diversidad de Perspectivas:

• Destacar la multiplicidad de enfoques y perspectivas en el aprendizaje. Enfatizar que no existe una única verdad o hecho concreto, sino varias interpretaciones y variaciones. La IA puede ayudar a presentar múltiples perspectivas en los contenidos educativos.

Conectado:

Principios de Educación Disruptiva & IA:

1. Asociaciones y Relaciones de Contenido:

• Utilizar algoritmos de recomendación basados en IA para establecer conexiones entre el contenido educativo y material relacionado en toda la web. Permitir que los estudiantes exploren temas de manera más amplia y conectada, incluso en lugares deslocalizados y en tiempos diferentes.

1. Enlaces Contextuales:

• Integrar enlaces contextuales en el contenido educativo que proporcionen acceso a recursos externos relevantes. Estos enlaces pueden ser generados dinámicamente por algoritmos que identifican palabras clave y conceptos clave en el material educativo.

1. Aprendizaje Continuo y Evolutivo:

• Implementar sistemas que aprendan y evolucionen con el tiempo. La IA puede analizar patrones de uso y preferencias de los usuarios para mejorar las recomendaciones y conexiones de contenido, creando así una experiencia de aprendizaje más rica y personalizada.

Énfasis en Navegabilidad, Accesibilidad y Usabilidad:

Principios de Educación Disruptiva & IA:

1. Diseño Centrado en el Usuario:

• Priorizar el diseño de plataformas educativas para que sean intuitivas y fáciles de navegar. La IA puede adaptar la interfaz de usuario según las preferencias individuales, asegurando una experiencia personalizada y fácil de usar.

1. Accesibilidad Universal:

• Garantizar que los recursos educativos sean accesibles para todos, independientemente de las habilidades o limitaciones. La IA puede ser utilizada para crear contenido accesible y proporcionar opciones de personalización para adaptarse a diferentes estilos de aprendizaje.

1. Navegación Asíncrona y Síncrona:

• Facilitar la navegación tanto en entornos educativos asíncronos como síncronos. La IA puede ser utilizada para gestionar y coordinar actividades en tiempo real, así como para sugerir contenido relevante en entornos de aprendizaje más flexibles y deslocalizados.

Aplicación en Situaciones Reales:

En un escenario práctico, estos principios podrían aplicarse en una plataforma educativa que utiliza la IA para adaptar el contenido según las preferencias individuales de los estudiantes. Los usuarios podrían crear sus propias rutas de aprendizaje, explorar conexiones entre temas y participar en discusiones que reflejen la diversidad de perspectivas. Además, la navegabilidad intuitiva y la accesibilidad universal serían elementos clave para garantizar que la experiencia educativa sea efectiva y enriquecedora para todos los usuarios.

Ejemplo Práctico:

Imaginemos una plataforma educativa en línea que implementa estos principios de educación disruptiva e IA en el contexto de un curso sobre inteligencia artificial y aprendizaje automático.

1. Personalización del Contenido:

• La plataforma utiliza algoritmos de recomendación para sugerir módulos y recursos específicos basados en el nivel de conocimiento, intereses y estilo de aprendizaje de cada estudiante. Los usuarios pueden crear sus propias rutas de aprendizaje, eligiendo entre diferentes temas y enfoques.

1. Interactividad y Participación:

• Se incorporan foros y discusiones en cada módulo del curso. Los estudiantes pueden participar en debates, compartir sus experiencias y perspectivas, contribuyendo así a un entorno de aprendizaje colaborativo. La IA puede analizar estas interacciones para mejorar las recomendaciones y la dinámica del curso.

1. Conciencia de la Diversidad de Perspectivas:

• Los materiales de estudio presentan casos de estudio variados y ejemplos prácticos de aplicaciones de IA en diferentes industrias. La IA puede personalizar estos casos de estudio según la relevancia para el contexto profesional y los intereses individuales de cada estudiante.

1. Asociaciones y Relaciones de Contenido:

• Los algoritmos de la plataforma analizan constantemente la web en busca de nuevos recursos educativos y actualizaciones en el campo de la inteligencia artificial. Los estudiantes pueden acceder a enlaces contextuales que los llevan a recursos externos relevantes, manteniéndolos conectados con los últimos avances.

1. Enlaces Contextuales:

• Cada módulo del curso incluye enlaces contextuales que explican términos clave o proporcionan información adicional sobre conceptos específicos. La IA identifica automáticamente estas áreas clave y sugiere enlaces relevantes para facilitar la comprensión del contenido.

1. Aprendizaje Continuo y Evolutivo:

• La plataforma aprende de las interacciones y preferencias de los estudiantes. Los algoritmos ajustan continuamente las recomendaciones de contenido y actividades para adaptarse a la evolución de los conocimientos y habilidades de cada usuario a lo largo del tiempo.

1. Diseño Centrado en el Usuario y Accesibilidad Universal:

• La interfaz de usuario se adapta a las preferencias de cada estudiante, permitiendo la personalización de la apariencia y la disposición de la plataforma. Además, se implementan características de accesibilidad, como lectura de pantalla y subtítulos automáticos, para garantizar que todos los estudiantes puedan acceder al contenido de manera efectiva.

1. Navegación Asíncrona y Síncrona:

• Los estudiantes pueden acceder a los materiales de estudio de manera asíncrona, permitiéndoles aprender a su propio ritmo. Al mismo tiempo, la plataforma organiza sesiones síncronas interactivas, donde los instructores y estudiantes pueden participar en discusiones en tiempo real, aprovechando la flexibilidad de la IA para coordinar eventos de aprendizaje.

En este ejemplo, la plataforma educativa utiliza la IA para crear un entorno de aprendizaje personalizado, conectado y accesible, donde la diversidad de perspectivas se valora y se fomenta la participación activa de los estudiantes. Este enfoque busca trascender las limitaciones de la educación tradicional, abrazando la complejidad y la variabilidad en el proceso de aprendizaje.

Diseño Centrado en el Usuario y Accesibilidad Universal:

• Interfaz Adaptativa:
• La interfaz de usuario se adapta a las preferencias individuales, permitiendo a los usuarios personalizar la apariencia y disposición de la plataforma. La IA identifica patrones de interacción y ajusta la presentación de la información para que sea más accesible y atractiva para cada estudiante.
• Funciones de Accesibilidad:
• Se implementan funciones de accesibilidad, como lectura de pantalla, subtítulos automáticos y opciones de contraste. Los algoritmos de IA identifican las necesidades específicas de cada usuario y ajustan automáticamente las configuraciones de accesibilidad para garantizar una experiencia de aprendizaje inclusiva.
• Retroalimentación Continua:
• La IA recopila datos sobre la experiencia del usuario, solicitando retroalimentación constante sobre la usabilidad y la accesibilidad. Se utilizan algoritmos de aprendizaje automático para identificar áreas de mejora en el diseño y la accesibilidad, asegurando una evolución continua y adaptativa de la plataforma.

8. Navegación Asíncrona y Síncrona:

• Aprendizaje Asíncrono:
• La plataforma permite a los estudiantes acceder a los materiales de estudio de manera asíncrona, lo que les brinda la flexibilidad de aprender a su propio ritmo. Los algoritmos de recomendación sugieren actividades y recursos personalizados, asegurando que cada estudiante siga un camino de aprendizaje adaptado a sus necesidades individuales.
• Sesiones Síncronas Facilitadas por IA:
• Se organizan sesiones síncronas interactivas donde instructores y estudiantes pueden participar en discusiones en tiempo real. La IA coordina la agenda, identificando automáticamente temas de discusión basados en el progreso individual y grupal. Los algoritmos de procesamiento de lenguaje natural facilitan la participación y la síntesis de ideas clave.
• Coordinación de Eventos Educativos:
• Algoritmos de planificación automatizada gestionan eventos educativos, como seminarios web y sesiones de tutoría en línea. La IA sugiere horarios óptimos basados en la disponibilidad de los participantes, maximizando la participación y la efectividad del aprendizaje.

Algoritmos, Árboles y Tablas:

• Algoritmos de Recomendación:
• Se utilizan algoritmos como el filtrado colaborativo y el filtrado basado en contenido para personalizar las recomendaciones de contenido. Estos algoritmos analizan patrones de comportamiento del usuario y sugieren módulos, recursos y actividades adaptados a sus preferencias y necesidades de aprendizaje.
• Árboles de Decisión para Personalización:
• Se implementan árboles de decisión para personalizar el enfoque de aprendizaje de cada estudiante. Los árboles evalúan las preferencias, habilidades y estilos de aprendizaje, dirigiendo a los estudiantes hacia módulos y recursos específicos que se alinean con sus perfiles individuales.
• Tablas Explicativas de Decisiones:
• Se generan tablas explicativas que detallan las decisiones tomadas por los algoritmos de personalización y recomendación. Estas tablas proporcionan transparencia y permiten a los usuarios comprender cómo se adaptan las recomendaciones a sus características individuales.
• Procesamiento de Lenguaje Natural (NLP):
• Algoritmos de NLP se emplean para facilitar la comunicación en sesiones síncronas, analizando la participación de los estudiantes y extrayendo temas clave. Esto permite una interacción más efectiva y una síntesis rápida de las discusiones en tiempo real.

Estos elementos combinados crean un entorno educativo en el que la tecnología y la inteligencia artificial no solo personalizan el aprendizaje, sino que también aseguran que la experiencia sea accesible, adaptativa y centrada en el usuario, promoviendo la participación activa y la diversidad de perspectivas.

1. Algoritmos de Recomendación:

• Descripción: Se emplean algoritmos de filtrado colaborativo y basado en contenido para personalizar las recomendaciones de contenido. Estos algoritmos analizan patrones de comportamiento del usuario y sugieren módulos, recursos y actividades adaptados a sus preferencias y necesidades de aprendizaje.
• Implementación en Python: Utilizando bibliotecas como surprise para filtrado colaborativo y scikit-learn para filtrado basado en contenido.

1. pythonCopy code# Ejemplo de implementación con Surprise (filtrado colaborativo) from surprise import Dataset, Reader, SVD from surprise.model_selection import train_test_split from surprise.accuracy import rmse # Cargar datos y definir estructura de lectura reader = Reader(rating_scale=(1, 5)) data = Dataset.load_from_df(df[['user', 'item', 'rating']], reader) # Dividir en conjunto de entrenamiento y prueba trainset, testset = train_test_split(data, test_size=0.2) # Inicializar y entrenar el modelo algo = SVD() algo.fit(trainset) # Hacer predicciones y evaluar predictions = algo.test(testset) rmse(predictions)
2. Árboles de Decisión para Personalización:

• Descripción: Implementación de árboles de decisión que evalúan las preferencias, habilidades y estilos de aprendizaje de los estudiantes. Dirigen a los estudiantes hacia módulos y recursos específicos que se alinean con sus perfiles individuales.
• Implementación en Python: Utilizando la biblioteca scikit-learn para árboles de decisión.

1. pythonCopy codefrom sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split from sklearn import metrics # Supongamos que tenemos datos de preferencias y rendimiento de estudiantes X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Inicializar el clasificador de árboles de decisión clf = DecisionTreeClassifier() # Entrenar el modelo clf.fit(X_train, y_train) # Hacer predicciones y evaluar y_pred = clf.predict(X_test) accuracy = metrics.accuracy_score(y_test, y_pred)
2. Tablas Explicativas de Decisiones:

• Descripción: Generación de tablas explicativas que detallan las decisiones tomadas por los algoritmos de personalización y recomendación. Estas tablas proporcionan transparencia y permiten a los usuarios comprender cómo se adaptan las recomendaciones a sus características individuales.
• Ejemplo de Tabla Explicativa:

1. CaracterísticaDecisiónEstilo de AprendizajeFiltrado Colaborativo PreferidoPreferencias TemáticasFiltrado Basado en ContenidoNivel de ConocimientoÁrbol de Decisión Específico

• Herramientas: Utilizando bibliotecas de generación de tablas en Python como pandas y tabulate.

Autores y Obras Relevantes:

1. «Recommender Systems: An Introduction» — Jannach, D., & Zanker, M.

• Esta obra proporciona una introducción completa a los sistemas de recomendación, cubriendo algoritmos de filtrado colaborativo y basado en contenido.

1. «Python Machine Learning» — Raschka, S., & Mirjalili, V.

• En este libro, se exploran diversas técnicas de aprendizaje automático en Python, incluyendo la implementación de árboles de decisión y algoritmos de recomendación.

1. «Hands-On Machine Learning with Scikit-Learn and TensorFlow» — Geron, A.

• La obra aborda la aplicación práctica de algoritmos de aprendizaje automático con enfoque en la biblioteca scikit-learn, incluyendo árboles de decisión.

1. «Data Science for Business» — Provost, F., & Fawcett, T.

• Este libro examina la aplicación de algoritmos de ciencia de datos en contextos empresariales, destacando la importancia de explicar las decisiones tomadas por los modelos.

Estos recursos ofrecen un fundamento teórico y práctico para entender y aplicar algoritmos en el contexto de la personalización educativa mediante IA.

Las propias trayectorias de aprendizaje futuro ayudándonos a revisar a los multi-miembros de las comunidades, reconocer los múltiples niveles de la escala con la que se identifican y generalmente proporcionándoles una forma potencial de considerar lo que perciben más allá de las comunidades y prácticas con las que más identifican a partir de su propia experiencia.

Con el trabajo algoritmico que preconizamos debemos tener siempre presente, tanto en las ideas, el desarrollo propio de andamiaje-algoritmico, asi 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 tendran garantizado un apoyo inestimable.

—-Para integrar la idea de aprender a aprender de manera personalizada en el chatbot, podemos diseñar preguntas que inviten a los estudiantes a reflexionar sobre sus propios métodos de aprendizaje y cómo pueden adaptarlos para mejorar su eficacia: (Juan Domingo Farnós)

pythonCopy code# Lista de preguntas sobre aprender a aprender
preguntas_aprender_a_aprender = [
    "¿Cómo identificas tus propias fortalezas y debilidades en el proceso de aprendizaje?",
    "¿Qué estrategias utilizas para organizarte y planificar tu tiempo de estudio?",
    "¿Cómo te adaptas cuando enfrentas un nuevo desafío o concepto difícil de entender?",
    "¿Qué recursos o herramientas encuentras más útiles para tu estilo de aprendizaje?",
    # Agrega más preguntas según sea necesario
]

# Función para generar respuestas personalizadas a preguntas sobre aprender a aprender
def generar_respuestas_aprender_a_aprender(pregunta):
    if "fortalezas y debilidades" in pregunta:
        respuestas = [
            "Identifico mis fortalezas y debilidades reflexionando sobre mis experiencias pasadas y recibiendo retroalimentación de mis profesores.",
            "Utilizo pruebas de autoevaluación y análisis de mis resultados académicos para identificar mis fortalezas y debilidades en el aprendizaje.",
            "Pido a mis compañeros de clase y amigos que me proporcionen retroalimentación sobre mis habilidades y áreas de mejora en el aprendizaje.",
            "Mantengo un diario de reflexión donde registro mis éxitos y desafíos en el aprendizaje para identificar patrones y áreas de mejora."
        ]
    elif "organizarte y planificar" in pregunta:
        respuestas = [
            "Utilizo un calendario o planificador para establecer metas de estudio y asignar tiempo para cada tarea o proyecto.",
            "Hago una lista de tareas y priorizo las actividades según su importancia y urgencia.",
            "Utilizo técnicas de gestión del tiempo como la técnica Pomodoro para mantenerme enfocado y productivo durante períodos de estudio.",
            "Participo en talleres o cursos de desarrollo personal para aprender nuevas estrategias de organización y planificación."
        ]
    elif "nuevo desafío" in pregunta:
        respuestas = [
            "Me enfrento a nuevos desafíos con una actitud de curiosidad y apertura, buscando entender el concepto desde diferentes perspectivas.",
            "Busco recursos adicionales como libros, tutoriales en línea o conferencias para obtener más información sobre el nuevo concepto.",
            "Formo grupos de estudio con compañeros de clase para discutir y compartir ideas sobre cómo abordar el nuevo desafío juntos.",
            "Solicito la ayuda de mi profesor o tutor para aclarar cualquier duda o dificultad que pueda surgir al enfrentar un nuevo desafío."
        ]
    elif "recursos o herramientas" in pregunta:
        respuestas = [
            "Utilizo aplicaciones de organización como Evernote o Trello para tomar notas y organizar mis ideas durante el estudio.",
            "Prefiero el aprendizaje visual y uso videos educativos o infografías para comprender conceptos difíciles.",
            "Participo en comunidades en línea o foros de discusión relacionados con mi área de estudio para obtener información adicional y compartir experiencias con otros estudiantes.",
            "Asisto a talleres o conferencias sobre técnicas de estudio y herramientas tecnológicas para mejorar mi rendimiento académico."
        ]
    else:
        respuestas = ["Lo siento, no tengo una respuesta preparada para esa pregunta en este momento."]
    
    return respuestas

# Función para presentar preguntas y respuestas personalizadas
def preguntar_aprender_a_aprender():
    for i, pregunta in enumerate(preguntas_aprender_a_aprender):
        print(f"Pregunta {i+1}: {pregunta}")
        respuestas = generar_respuestas_aprender_a_aprender(pregunta)
        print("Respuestas:")
        for j, respuesta in enumerate(respuestas):
            print(f"  {j+1}. {respuesta}")
        print()

# Ejecutar la función para presentar preguntas y respuestas personalizadas
preguntar_aprender_a_aprender()

En este ejemplo, cada pregunta está diseñada para abordar un aspecto diferente del aprendizaje a aprender. Las respuestas están personalizadas para ofrecer opciones variadas que se adaptan a diferentes estilos de aprendizaje y contextos individuales. Este enfoque fomenta la reflexión y la autoevaluación del estudiante, lo que puede ayudarlo a mejorar su proceso de aprendizaje de manera personalizada.

Andamiaje-Algorítmico en la Educación Disruptiva & IA:

Definición: El término «andamiaje-algorítmico» se refiere a la implementación de algoritmos y herramientas de inteligencia artificial para proporcionar un apoyo personalizado y específico durante el proceso de aprendizaje. Se centra en entender y adaptarse continuamente a la forma única en que cada individuo aprende, facilitando así un andamiaje educativo personalizado y eficaz.

Aspectos Claves del Andamiaje-Algorítmico:

1. Reconocimiento de Trayectorias de Aprendizaje:

• Los algoritmos analizan las trayectorias de aprendizaje anteriores de cada estudiante. Utilizan datos históricos para identificar patrones, fortalezas y áreas de mejora en el proceso de aprendizaje individual.

1. Consideración de la Identidad del Estudiante:

• La inteligencia artificial reconoce y respeta las identidades multifacéticas de los estudiantes. Considera factores como la diversidad cultural, social y personal para adaptar el contenido y el enfoque educativo a las diversas identidades de los aprendices.

1. Exploración de Múltiples Niveles de la Escala de Identificación:

• Los algoritmos no solo se centran en las comunidades y prácticas educativas específicas, sino que también exploran niveles más amplios de la escala de identificación. Reconocen la influencia de diversos entornos y experiencias en la formación del aprendizaje.

1. Potenciación de la Reflexión:

• Se fomenta la reflexión y autoevaluación mediante algoritmos que guían a los estudiantes a considerar cómo sus experiencias y aprendizajes actuales se relacionan con sus objetivos a largo plazo. Esto fortalece la capacidad de los estudiantes para visualizar y dirigir su propio camino de aprendizaje futuro.

Implementación Práctica:

1. Análisis de Trayectorias de Aprendizaje:

• Utilizar algoritmos de análisis de datos para examinar patrones en el rendimiento académico, la participación en actividades y la interacción con el contenido. Esto puede ayudar a identificar momentos clave de aprendizaje y áreas que requieren atención adicional.

1. Reconocimiento de Identidad y Diversidad:

• Integrar algoritmos que reconocen la diversidad cultural, lingüística y de aprendizaje. Esto podría incluir la adaptación del contenido en función del idioma preferido, el estilo de aprendizaje y las experiencias culturales de los estudiantes.

1. Sistemas de Recomendación Personalizada:

• Desarrollar sistemas de recomendación personalizados que utilicen algoritmos de filtrado colaborativo y basado en contenido. Estos sistemas sugieren recursos educativos, actividades y enfoques de aprendizaje que se alinean con los intereses y habilidades específicos de cada estudiante.

1. Herramientas de Autoevaluación y Reflexión:

• Implementar herramientas interactivas que guíen a los estudiantes a reflexionar sobre sus objetivos, logros y desafíos. Los algoritmos pueden proporcionar retroalimentación contextualizada y sugerencias para mejorar el autoaprendizaje.

Recursos y Herramientas:

1. Plataformas de Aprendizaje en Línea Adaptativas:

• Utilizar plataformas educativas que empleen algoritmos adaptativos para ajustar el nivel de dificultad, el ritmo de aprendizaje y los tipos de actividades según las necesidades individuales de cada estudiante.

1. Sistemas de Tutoría Inteligente:

• Implementar sistemas de tutoría basados en IA que ofrezcan orientación personalizada en tiempo real. Estos sistemas pueden analizar respuestas y comportamientos de los estudiantes para proporcionar explicaciones adaptadas y sugerencias de mejora.

1. Entornos Virtuales de Aprendizaje Personalizado:

• Desarrollar entornos virtuales que se adapten a las preferencias de presentación y navegación de cada estudiante. Estos entornos pueden ser ajustados dinámicamente por algoritmos según las preferencias individuales.

1. Herramientas de Evaluación Adaptativa:

• Integrar herramientas de evaluación que se adapten a la habilidad y progreso del estudiante. Los algoritmos pueden ajustar la dificultad de las preguntas y el formato de evaluación para garantizar una evaluación justa y desafiante.

Autores y Obras Relevantes:

1. «Teaching Machines to Learn» — Pedro Domingos:

• Domingos explora el impacto de la inteligencia artificial en la educación y destaca la importancia de personalizar los enfoques de aprendizaje utilizando algoritmos adaptativos.

1. «Artificial Intelligence in Education» — Roger N. Carlsen:

• Carlsen examina el papel de la inteligencia artificial en la educación, incluyendo la personalización del aprendizaje y el uso de algoritmos para mejorar la experiencia educativa.

1. «Machine Learning for Dummies» — Mueller, J., & Massaron, L.:

• Este recurso proporciona una introducción accesible a los conceptos de aprendizaje automático, incluyendo cómo los algoritmos pueden ser aplicados en contextos educativos para mejorar el aprendizaje individualizado.

El «andamiaje-algorítmico» no solo refleja la aplicación de algoritmos en la educación, sino también la preocupación por la adaptación y el apoyo específico para cada estudiante, contribuyendo así a la educación disruptiva y personalizada.

1. «Teaching Machines to Learn» — Pedro Domingos:

• En esta obra, Pedro Domingos aborda cómo la inteligencia artificial puede transformar la enseñanza y el aprendizaje. Explora la importancia de enseñar a las máquinas a aprender, destacando la necesidad de algoritmos adaptativos que se ajusten a las necesidades individuales de los estudiantes. Domingos enfatiza la personalización del aprendizaje mediante algoritmos que reconocen patrones de aprendizaje únicos y se adaptan en consecuencia.

1. «Artificial Intelligence in Education» — Roger N. Carlsen:

• Roger N. Carlsen examina el impacto de la inteligencia artificial en la educación en su obra «Artificial Intelligence in Education». Enfoca la atención en cómo la IA puede proporcionar experiencias de aprendizaje personalizadas. Carlsen aborda la aplicación de algoritmos, como sistemas de recomendación y evaluación adaptativa, para mejorar la eficacia de la educación y brindar un apoyo más específico a los estudiantes.

1. «Machine Learning for Dummies» — Mueller, J., & Massaron, L.:

• Este recurso proporciona una introducción accesible al aprendizaje automático. Los autores, Mueller y Massaron, explican cómo los algoritmos de aprendizaje automático pueden aplicarse en diversas áreas, incluida la educación. Se centran en cómo los algoritmos pueden adaptarse y aprender de los datos para mejorar la toma de decisiones y personalizar la experiencia de aprendizaje.

Comparación con Algoritmos, Árboles de Decisión y Tablas en Educación Disruptiva & IA:

1. Enfoque de Pedro Domingos:

• Algoritmos:
• Domingos destaca la importancia de algoritmos que puedan adaptarse a los diferentes estilos de aprendizaje. Ejemplos incluyen algoritmos de recomendación personalizados que ajustan el contenido según las preferencias del estudiante.
• Árboles de Decisión:
• Domingos aborda la necesidad de árboles de decisión que puedan reflejar las trayectorias de aprendizaje individuales. Estos árboles pueden identificar rutas educativas específicas basadas en el rendimiento y las preferencias del estudiante.
• Tablas Explicativas:
• La obra aborda cómo las tablas explicativas pueden ayudar a los estudiantes a comprender cómo los algoritmos adaptativos toman decisiones. Estas tablas pueden proporcionar transparencia y mejorar la confianza del estudiante en el proceso educativo.

1. Enfoque de Roger N. Carlsen:

• Algoritmos:
• Carlsen se centra en algoritmos que facilitan la personalización del aprendizaje, como sistemas de tutoría inteligente y evaluación adaptativa. Estos algoritmos ajustan el contenido y las actividades en función del progreso y las necesidades individuales del estudiante.
• Árboles de Decisión:
• En la obra, Carlsen destaca la importancia de árboles de decisión que guíen a los estudiantes hacia diferentes caminos de aprendizaje. Estos caminos pueden adaptarse según la respuesta del estudiante a diversas actividades y evaluaciones.
• Tablas Explicativas:
• La obra de Carlsen puede incluir la discusión sobre tablas explicativas que describan cómo los algoritmos adaptativos influyen en la experiencia educativa de cada estudiante.

1. Enfoque de Mueller y Massaron:

• Algoritmos:
• La obra de Mueller y Massaron brinda una visión general del uso de algoritmos en aprendizaje automático. Puede aplicarse a la educación mediante algoritmos adaptativos que aprenden de los datos del estudiante y personalizan el aprendizaje.
• Árboles de Decisión:
• Se puede inferir la importancia de árboles de decisión al examinar cómo los algoritmos pueden adaptarse a diferentes situaciones educativas, eligiendo caminos específicos de aprendizaje para cada estudiante.
• Tablas Explicativas:
• La obra puede abordar la necesidad de tablas explicativas para que los estudiantes comprendan cómo los algoritmos de aprendizaje automático influyen en la toma de decisiones en el contexto educativo.

Cada autor contribuye a la discusión sobre la educación disruptiva y la IA desde perspectivas únicas. Pedro Domingos destaca la adaptabilidad de los algoritmos a diferentes estilos de aprendizaje, Roger N. Carlsen se enfoca en la personalización del aprendizaje mediante sistemas inteligentes, y Mueller y Massaron proporcionan una visión general accesible del aprendizaje automático. La aplicación de algoritmos

Similitudes de los 3 Autores con la Educación Disruptiva & IA:

——–Pedro DomingosRoger N. CarlsenMueller y Massaron

Énfasis en Algoritmos AdaptativosDestaca la importancia de algoritmos que se adapten a diferentes estilos de aprendizaje.Se centra en algoritmos que facilitan la personalización del aprendizaje, como sistemas de tutoría inteligente y evaluación adaptativa.Proporciona una visión general del uso de algoritmos en aprendizaje automático y su aplicación a la educación.

Consideración de Trayectorias de Aprendizaje IndividualesAborda la necesidad de algoritmos que reflejen las trayectorias de aprendizaje individuales.Destaca la importancia de árboles de decisión que guíen a los estudiantes hacia diferentes caminos de aprendizaje.Sugiere la adaptabilidad de algoritmos a diferentes situaciones educativas, eligiendo caminos específicos de aprendizaje para cada estudiante.

Énfasis en la Personalización del AprendizajeEnfatiza la personalización del aprendizaje mediante algoritmos que reconocen patrones de aprendizaje únicos.Examina el impacto de la inteligencia artificial en la educación y destaca la aplicación de algoritmos para proporcionar experiencias de aprendizaje personalizadas.Proporciona una visión general del aprendizaje automático aplicado a la personalización del aprendizaje.

Uso de Árboles de DecisiónSugiere la importancia de árboles de decisión para guiar a los estudiantes hacia diferentes caminos educativos.Destaca árboles de decisión que puedan reflejar las trayectorias de aprendizaje individuales.Se puede inferir la importancia de árboles de decisión al examinar cómo los algoritmos pueden adaptarse a diferentes situaciones educativas.

Herramientas Explicativas y TransparenciaAborda cómo las tablas explicativas pueden ayudar a los estudiantes a comprender cómo los algoritmos toman decisiones.Puede incluir la discusión sobre tablas explicativas que describan cómo los algoritmos influyen en la experiencia educativa.Puede abordar la necesidad de tablas explicativas para que los estudiantes comprendan cómo los algoritmos de aprendizaje automático influyen en la toma de decisiones educativas.

Estas similitudes resaltan el enfoque común de los tres autores hacia la aplicación de algoritmos, la personalización del aprendizaje y la consideración de trayectorias de aprendizaje individuales en el contexto de la educación disruptiva y la inteligencia artificial. Todos ellos reconocen la importancia de adaptar la experiencia educativa para satisfacer las necesidades únicas de cada estudiante.

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 tan eficaz como tutores humanos.

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 .

Los algoritmos de personalización, según el trabajo seminal de Rauch, Andrelczyk y Kusiak (2007), se erigen como entidades sofisticadas que, en el marco del aprendizaje abierto, inclusivo y ubicuo, desempeñan una función esencial. Estos algoritmos emprenden la recopilación de datos exhaustivos provenientes de los usuarios participantes, una hazaña que abarca tanto la información explícita como la implícita, considerando elementos que van más allá de las meras interacciones tangibles y se adentran en los matices sutiles de las preferencias y comportamientos individuales.

En consonancia con las directrices de Venugopal, Srinivasa y Patnaik (2009), este proceso de recopilación de datos se revela como el preludio necesario para la subsiguiente fase analítica. Los algoritmos, imbuidos de una capacidad analítica aguda, someten esta información a evaluaciones profundas y significativas. Este análisis no se limita meramente a la identificación de patrones evidentes, sino que se extiende a la comprensión de relaciones subyacentes y a la extrapolación de tendencias emergentes.

—-Vamos a construir un cahtbot cuyo BOT pueda analizar los datos que procesen la autorregulacion de cada estudiante de manera automatizada de manera: supervisada, autosupervisada, no supervisada y de refuerzo: Juan Domingo Farnós

1. Aprendizaje Supervisado:

En este enfoque, el chatbot analiza los datos etiquetados previamente para predecir y clasificar diferentes aspectos de la autorregulación del estudiante, como su nivel de motivación, estrategias de aprendizaje utilizadas, etc.

2. Aprendizaje Autónomo (Autosupervisado):

El chatbot utiliza técnicas de aprendizaje autónomo, como la autoencoder, para aprender representaciones útiles de los datos sin necesidad de etiquetas. Esto le permite descubrir patrones ocultos en los datos relacionados con la autorregulación del estudiante.

Para implementar un chatbot que utilice técnicas de aprendizaje autónomo, como el autoencoder, necesitaremos un conjunto de datos no etiquetados sobre la autorregulación del estudiante. Luego, entrenaremos el autoencoder para aprender representaciones útiles de estos datos.

pythonCopy codeimport numpy as np
from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model

# Datos no etiquetados sobre la autorregulación del estudiante
data = [
    "Me siento motivado para aprender cosas nuevas.",
    "A veces me distraigo fácilmente cuando estudio.",
    "Utilizo técnicas de planificación para organizar mi estudio.",
    "Me siento abrumado por la cantidad de trabajo escolar.",
    # Agregar más datos según sea necesario
]

# Convertir los datos a representaciones vectoriales (TF-IDF)
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(data)

# Crear el autoencoder
input_dim = X.shape[1]
encoding_dim = 2  # Dimensión de la representación codificada (puede ajustarse según sea necesario)

input_layer = Input(shape=(input_dim,))
encoder_layer = Dense(encoding_dim, activation='relu')(input_layer)
decoder_layer = Dense(input_dim, activation='sigmoid')(encoder_layer)

autoencoder = Model(inputs=input_layer, outputs=decoder_layer)

# Compilar el autoencoder
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')

# Entrenar el autoencoder
autoencoder.fit(X, X, epochs=50, batch_size=16)

# Obtener las representaciones codificadas de los datos
encoder = Model(inputs=input_layer, outputs=encoder_layer)
encoded_data = encoder.predict(X)

# Función para procesar la entrada del usuario y generar una respuesta
def process_input(input_text):
    # Convertir la entrada del usuario a representación vectorial
    input_vector = vectorizer.transform([input_text])
    # Codificar la entrada del usuario usando el autoencoder
    encoded_input = encoder.predict(input_vector)
    # Aquí puedes realizar alguna operación con las representaciones codificadas si es necesario
    # Por ahora, simplemente devolvemos las representaciones codificadas como una respuesta
    return encoded_input

# Ejemplo de cómo utilizar el autoencoder
encoded_input = process_input("Me siento motivado para aprender cosas nuevas.")
print("Representación codificada:", encoded_input)

En este ejemplo, entrenamos un autoencoder simple utilizando los datos sobre autorregulación del estudiante. El autoencoder aprende a codificar y decodificar los datos, generando representaciones codificadas de baja dimensión para cada instancia de datos. Luego, podemos utilizar estas representaciones codificadas para realizar diversas operaciones, como la clasificación, el agrupamiento, etc.

3. Aprendizaje No Supervisado:

En este enfoque, el chatbot utiliza algoritmos de clustering para agrupar automáticamente a los estudiantes en diferentes categorías basadas en sus patrones de autorregulación. Esto puede ayudar a identificar diferentes perfiles de estudiantes y adaptar las recomendaciones de aprendizaje en consecuencia.

4. Aprendizaje por Refuerzo:

El chatbot utiliza técnicas de aprendizaje por refuerzo para aprender a mejorar continuamente su capacidad para proporcionar recomendaciones de autorregulación efectivas. Recibe retroalimentación de los estudiantes sobre la utilidad de sus sugerencias y ajusta su comportamiento en consecuencia.

Cada uno de estos enfoques tiene sus propias ventajas y desafíos, y la elección del enfoque adecuado dependerá de los datos disponibles y los objetivos específicos del chatbot.

implementamos un chatbot que utiliza aprendizaje supervisado para analizar datos etiquetados sobre la autorregulación del estudiante y proporcionar recomendaciones personalizadas.

pythonCopy codeimport nltk
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import SVC
from nltk.corpus import stopwords
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

# Descargar recursos necesarios de NLTK
nltk.download('punkt')
nltk.download('stopwords')

# Datos etiquetados sobre la autorregulación del estudiante
data = [
    ("Me siento motivado para aprender cosas nuevas.", "motivado"),
    ("A veces me distraigo fácilmente cuando estudio.", "distracción"),
    ("Utilizo técnicas de planificación para organizar mi estudio.", "planificación"),
    ("Me siento abrumado por la cantidad de trabajo escolar.", "abrumado"),
    # Agregar más datos etiquetados según sea necesario
]

# Preprocesamiento de los datos
stop_words = set(stopwords.words('english'))
vectorizer = TfidfVectorizer(stop_words=stop_words)
X = vectorizer.fit_transform([d[0] for d in data])
y = [d[1] for d in data]

# Dividir los datos en conjunto de entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Entrenar el clasificador SVM
classifier = make_pipeline(TfidfVectorizer(stop_words=stop_words), SVC(kernel='linear'))
classifier.fit([d[0] for d in data], [d[1] for d in data])

# Función para procesar la entrada del usuario y generar una respuesta
def process_input(input_text):
    predicted_label = classifier.predict([input_text])[0]
    if predicted_label == "motivado":
        return "¡Excelente! Sigue así, mantén esa motivación alta."
    elif predicted_label == "distracción":
        return "Intenta crear un ambiente de estudio libre de distracciones para mantener tu enfoque."
    elif predicted_label == "planificación":
        return "Planificar tus actividades de estudio te ayudará a organizarte mejor y a ser más eficiente."
    elif predicted_label == "abrumado":
        return "No te sientas abrumado, divide tus tareas en partes más pequeñas y manejables."
    else:
        return "Lo siento, no tengo una respuesta preparada para eso en este momento."

# Función principal del chatbot
def chatbot_autorregulacion():
    print("¡Hola! Soy tu asistente de aprendizaje con IA. ¿En qué puedo ayudarte?")
    while True:
        user_input = input("Tú: ")
        response = process_input(user_input)
        print("Bot: " + response)

# Ejecutar el chatbot
chatbot_autorregulacion()

Este chatbot utiliza un clasificador SVM (Máquinas de Soporte Vectorial) para analizar la entrada del usuario y predecir la etiqueta correspondiente a la autorregulación del estudiante. Luego, proporciona una respuesta personalizada basada en la etiqueta predicha.

La esencia misma de estos algoritmos radica en su capacidad de transmitir información personalizada en momentos específicos y críticos del proceso educativo. En este sentido, el paradigma de recomendación de contenido, paradigmáticamente observado en plataformas de entretenimiento como YouTube, adquiere una nueva dimensión en el contexto educativo. La transición de la experiencia de consumir contenido a la presentación de recomendaciones se convierte en un acto orquestado por estos algoritmos, delineando un mapa personalizado basado en la riqueza del conocimiento previo de los participantes en el proceso educativo.

Este concepto encuentra su máxima expresión en la capacidad de estos algoritmos de personalización para ofrecer recomendaciones de cursos y rutas de aprendizaje altamente específicas. En este entorno abierto, inclusivo y ubicuo, la adaptabilidad de los algoritmos se convierte en la piedra angular de la experiencia educativa. La recomendación no es un mero acto de sugerencia, sino una manifestación precisa y personalizada que se nutre de la riqueza del conocimiento acumulado de los individuos participantes.

En este escenario, los algoritmos de personalización se elevan a la categoría de agentes informáticos perspicaces, capaces de guiar de manera inteligente a los aprendices a través de un vasto panorama de opciones formativas. En última instancia, esta intersección entre algoritmos de personalización y aprendizaje abierto, inclusivo y ubicuo presenta un potencial revolucionario para la individualización del proceso educativo, marcando una evolución sustancial en la aplicación de la tecnología en la esfera académica.

Funciones Propuestas en el Contexto de Aprendizaje Abierto, Inclusivo y Ubicuo: Un Desglose con Enfoque en Algoritmos, Árboles y Tablas

1. Recopilación de Datos Exhaustiva:

• Descripción: Esta función implica la recolección meticulosa de información tanto explícita como implícita de los usuarios participantes. Incluye no solo interacciones tangibles, sino también sutilezas de preferencias y comportamientos individuales.
• Implementación con Algoritmos:pythonCopy code# Ejemplo de recopilación de datos con algoritmo def recopilar_datos(usuario): datos_explicitos = obtener_datos_explicitos(usuario) datos_implícitos = analizar_comportamiento(usuario) datos_totales = combinar_datos(datos_explicitos, datos_implícitos) return datos_totales
• Implementación con Árboles de Decisión:pythonCopy code# Ejemplo de árbol de decisión para clasificar datos def arbol_decision_analisis_comportamiento(datos_implícitos): modelo_arbol = construir_arbol_decision() resultado_clasificacion = modelo_arbol.predecir(datos_implícitos) return resultado_clasificacion
• Implementación con Tablas Explicativas:diffCopy code+---------------------+-----------------------+ | Tipo de Información | Método de Obtención | +---------------------+-----------------------+ | Explícita | Obtener desde la API | | Implícita | Análisis de Comport. | +---------------------+-----------------------+

1. Análisis Profundo y Significativo:

• Descripción: Implica evaluar los datos recopilados a un nivel más profundo, comprendiendo no solo patrones evidentes sino también relaciones subyacentes y tendencias emergentes.
• Implementación con Algoritmos:pythonCopy code# Ejemplo de análisis profundo con algoritmo def analisis_profundo(datos): resultado_analisis = algoritmo_analisis.comprender_tendencias(datos) return resultado_analisis
• Implementación con Árboles de Decisión:pythonCopy code# Ejemplo de árbol de decisión para evaluación avanzada def arbol_decision_analisis_tendencias(datos): modelo_arbol = construir_arbol_decision_avanzado() resultado_evaluacion = modelo_arbol.predecir(datos) return resultado_evaluacion
• Implementación con Tablas Explicativas:diffCopy code+--------------------+----------------------+ | Resultado Análisis | Interpretación | +--------------------+----------------------+ | Tendencias | Relaciones Emergentes | | Patrones | Comportamientos Clave | +--------------------+----------------------+

1. Transmisión de Información Personalizada:

• Descripción: Implica la presentación precisa de información personalizada en momentos específicos durante el proceso educativo.
• Implementación con Algoritmos:pythonCopy code# Ejemplo de transmisión de información personalizada def transmitir_informacion_personalizada(usuario, momento): informacion_personalizada = algoritmo_personalizacion.generar_recomendaciones(usuario, momento) return informacion_personalizada
• Implementación con Árboles de Decisión:pythonCopy code# Ejemplo de árbol de decisión para recomendaciones def arbol_decision_recomendaciones(usuario, momento): modelo_arbol = construir_arbol_decision_recomendaciones() resultado_recomendaciones = modelo_arbol.predecir(usuario, momento) return resultado_recomendaciones
• Implementación con Tablas Explicativas:diffCopy code+------------------------+-----------------------------+ | Momento de Transmisión | Contenido Recomendado | +------------------------+-----------------------------+ | Finalización de Video | Recomendaciones de Géneros | | Evaluación de Curso | Sugerencias Personalizadas | +------------------------+-----------------------------+

Estas funciones, implementadas a través de algoritmos, árboles de decisión y tablas explicativas, constituyen un marco integral para la aplicación de personalización en el contexto del aprendizaje abierto, inclusivo y ubicuo, permitiendo una adaptabilidad precisa y contextualizada en el proceso educativo.

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

Diferenciación entre Aprendizaje Personalizado y Educación Personalizada: Un Enfoque Analítico y Técnico

En el ámbito educativo, el término «aprendizaje personalizado» y «educación personalizada» a menudo se utilizan de manera intercambiable, pero es crucial destacar las distinciones clave. Mientras que el aprendizaje personalizado implica adaptar el contenido y la metodología de enseñanza según las necesidades individuales, la educación personalizada abarca un enfoque más holístico que considera diversos aspectos de la experiencia educativa. Para ilustrar estas diferencias, examinemos el caso de «Escuela de Uno», una iniciativa que utiliza algoritmos de aprendizaje para personalizar la enseñanza de las matemáticas.

Aprendizaje Personalizado:

1. Recopilación de Datos para Estilos de Aprendizaje:

• Descripción: El algoritmo de Escuela de Uno realiza evaluaciones diarias de los estilos de aprendizaje y habilidades matemáticas de los estudiantes.
• Implementación con Algoritmos:pythonCopy code# Ejemplo de recopilación de datos para estilos de aprendizaje def evaluar_estilos_aprendizaje(alumno): datos_estilos_aprendizaje = algoritmo_escuela_uno.analizar_estilos(aprendiz) return datos_estilos_aprendizaje

1. Lista de Reproducción Personalizada:

• Descripción: El algoritmo crea una «lista de reproducción» personalizada que incluye clases particulares de matemáticas organizadas de acuerdo con la determinación del algoritmo sobre la secuencia óptima para el desarrollo de habilidades.
• Implementación con Árboles de Decisión:pythonCopy code# Ejemplo de árbol de decisión para crear lista de reproducción def arbol_decision_lista_reproduccion(datos_estilos_aprendizaje): modelo_arbol = construir_arbol_decision_personalizacion() lista_reproduccion = modelo_arbol.predecir(datos_estilos_aprendizaje) return lista_reproduccion

1. Complemento, no Sustituto, de la Experiencia del Maestro:

• Descripción: Escuela de Uno enfatiza que su enfoque está diseñado para complementar, no reemplazar, la experiencia de un maestro individual.
• Implementación con Tablas Explicativas:diffCopy code+---------------------------+-------------------------+ | Enfoque de Implementación | Complemento/Sustituto | +---------------------------+-------------------------+ | Algoritmo de Escuela de Uno| Complemento | | Maestro Individual | Experiencia Principal | +---------------------------+-------------------------+

Educación Personalizada:

1. Consideración Holística:

• Descripción: La educación personalizada va más allá del ajuste del contenido, considerando elementos emocionales, sociales y contextuales en la experiencia educativa.
• Implementación con Algoritmos:pythonCopy code# Ejemplo de algoritmo para consideración holística def algoritmo_educacion_personalizada(datos_emocionales, sociales, contextuales): # Lógica para integrar aspectos diversos return resultado_educacion_personalizada

1. Integración de Factores Socioemocionales:

• Descripción: En la educación personalizada, se integran factores socioemocionales para comprender mejor las necesidades del estudiante.
• Implementación con Árboles de Decisión:pythonCopy code# Ejemplo de árbol de decisión para integrar factores socioemocionales def arbol_decision_factores_socioemocionales(datos_socioemocionales): modelo_arbol = construir_arbol_decision_socioemocional() resultado_integracion = modelo_arbol.predecir(datos_socioemocionales) return resultado_integracion

1. Adaptabilidad a Cambios Contextuales:

• Descripción: La educación personalizada se adapta a cambios contextuales, permitiendo una flexibilidad que va más allá del contenido académico.
• Implementación con Tablas Explicativas:diffCopy code+-----------------------------+---------------------------+ | Flexibilidad en el Enfoque | Adaptabilidad Contextual | +-----------------------------+---------------------------+ | Educación Personalizada | Sí | | Aprendizaje Personalizado | Limitada | +-----------------------------+---------------------------+

Mientras que el aprendizaje personalizado, como el implementado por «Escuela de Uno», se centra en la adaptación del contenido y la metodología, la educación personalizada abarca una gama más amplia de consideraciones, integrando factores emocionales y contextuales. Ambos enfoques, sin embargo, demuestran la utilidad de algoritmos, árboles de decisión y tablas explicativas para personalizar la experiencia educativa de manera significativa.

Ejemplo Real de Aprendizaje Personalizado: «Khan Academy»

Recopilación de Datos para Estilos de Aprendizaje:

• Algoritmo:
• Khan Academy utiliza algoritmos para evaluar el rendimiento del estudiante en múltiples ejercicios y lecciones.
• pythonCopy codedef evaluar_estilos_aprendizaje(usuario): datos_estilos_aprendizaje = algoritmo_khan_academy.analizar_rendimiento(usuario) return datos_estilos_aprendizaje

Lista de Reproducción Personalizada:

• Árbol de Decisión:
• Un árbol de decisión determina el orden óptimo de los temas y lecciones para el estudiante en función de su desempeño previo.
• pythonCopy codedef arbol_decision_lista_reproduccion(datos_estilos_aprendizaje): modelo_arbol = construir_arbol_decision_personalizacion() lista_reproduccion = modelo_arbol.predecir(datos_estilos_aprendizaje) return lista_reproduccion

Complemento, no Sustituto, de la Experiencia del Maestro:

• Tabla Explicativa:
• Tabla que destaca cómo Khan Academy complementa la enseñanza tradicional, proporcionando recursos adicionales.
• diffCopy code+-------------------------------+-------------------------+ | Enfoque de Implementación | Complemento/Sustituto | +-------------------------------+-------------------------+ | Khan Academy | Complemento | | Maestro en el Aula | Experiencia Principal | +-------------------------------+-------------------------+

: Khan Academy personaliza la experiencia de aprendizaje a través de algoritmos que adaptan la secuencia de lecciones según el rendimiento del estudiante. Esto ilustra cómo el aprendizaje personalizado puede mejorar y complementar la educación tradicional, proporcionando a los estudiantes recursos adaptados a sus necesidades individuales.

Es importante destacar que, aunque Khan Academy ofrece personalización, no sustituye la experiencia del maestro en el aula, sino que actúa como un valioso recurso adicional. Este ejemplo demuestra cómo la tecnología puede potenciar el aprendizaje personalizado y trabajar en conjunto con la enseñanza convencional.

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 transformará en APRENDIZAJES. Si todo el proceso esta evaluado, necesitaremos el algoritmo para que nos realice la retroalimentación. Lo cual hara que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico, pero siempre seremos nostros quienes elijamos en última instancia el camino que vaos a seguir, frente a las múltiples propuestas en “beta” que nos presentará la tecnología.

Integración de Tecnologías Digitales para la Personalización del Aprendizaje: Un Enfoque con Algoritmos en la Educación Disruptiva & IA en un Entorno Educativo WEB

La personalización del aprendizaje mediante tecnologías digitales no solo representa una oportunidad para liberar a los seres humanos de tareas repetitivas, sino que también tiene el potencial de potenciar la individualización y autonomía en el proceso educativo. En este contexto, la implementación de un algoritmo desempeña un papel central para facilitar la recepción, análisis crítico, transformación en aprendizajes y proporcionar retroalimentación. Este enfoque se alinea con los principios de la Educación Disruptiva & IA en un entorno educativo web.

Fases del Proceso:

1. Recepción de Datos:

• Descripción: La plataforma educativa web recopila datos de diversas fuentes, como interacciones del usuario, resultados de evaluaciones y preferencias.
• Implementación con Algoritmos:pythonCopy code# Ejemplo de algoritmo para la recepción de datos def recibir_datos_plataforma_web(): datos_recopilados = plataforma_web.obtener_datos_usuario() return datos_recopilados

1. Análisis Crítico y Transformación en Aprendizajes:

• Descripción: Un algoritmo analiza críticamente los datos recopilados, identifica patrones de aprendizaje y adapta el contenido educativo en consecuencia.
• Implementación con Algoritmos:pythonCopy code# Ejemplo de algoritmo para el análisis crítico def analisis_critico_y_transformacion(datos_recopilados): aprendizajes_generados = algoritmo_analisis.transformar_en_aprendizajes(datos_recopilados) return aprendizajes_generados

1. Propuesta de Contenido en «Beta»:

• Descripción: La plataforma presenta múltiples propuestas de contenido en fase «beta», aprovechando la agilidad de la web para ofrecer opciones dinámicas y adaptativas.
• Implementación en un Entorno Educativo WEB:
• La interfaz de usuario muestra sugerencias de contenido en constante evolución, indicando que están en fase de prueba (beta), permitiendo a los usuarios explorar nuevas experiencias educativas.

1. Selección del Camino por el Usuario:

• Descripción: Aunque la tecnología ofrece propuestas, la decisión final del camino de aprendizaje recae en la elección del usuario, enfatizando la autonomía y la toma de decisiones individuales.
• Implementación en un Entorno Educativo WEB:
• Los usuarios pueden revisar las opciones «beta» y elegir las que mejor se adapten a sus necesidades y preferencias, fomentando la personalización y la participación activa.

1. Retroalimentación Personalizada:

• Descripción: El algoritmo proporciona retroalimentación específica basada en el desempeño del usuario, destacando áreas de mejora y recomendando enfoques alternativos.
• Implementación con Algoritmos:pythonCopy code# Ejemplo de algoritmo para la retroalimentación personalizada def retroalimentacion_personalizada(aprendizajes_generados, desempeno_usuario): retroalimentacion = algoritmo_retroalimentacion.generar_retroalimentacion(aprendizajes_generados, desempeno_usuario) return retroalimentacion

Ventajas de la Integración:

• Autonomía del Usuario: La tecnología actúa como un facilitador, permitiendo a los usuarios elegir su propio camino de aprendizaje.
• Agilidad y Adaptabilidad: La naturaleza web permite la rápida implementación y adaptación de nuevas propuestas educativas.
• Retroalimentación Precisa: Los algoritmos proporcionan retroalimentación precisa y personalizada para optimizar la experiencia de aprendizaje.

Este enfoque en la Educación Disruptiva & IA, con un algoritmo en el centro, permite que la tecnología digital se convierta en un aliado poderoso para personalizar la educación, empoderando a los usuarios para que tomen el control de su proceso de aprendizaje en un entorno educativo web dinámico.

Autores Relevantes y Sus Obras en el Ámbito de la Educación Disruptiva & IA con Algoritmos:

1. Clayton Christensen:

• Obra Destacada: «Disrupting Class: How Disruptive Innovation Will Change the Way the World Learns» (Junto con Michael B. Horn y Curtis W. Johnson).
• Contribuciones: Christensen introduce el concepto de innovación disruptiva en la educación, destacando cómo la tecnología, incluida la inteligencia artificial, puede transformar radicalmente el proceso educativo.

1. Salman Khan:

• Obra Destacada: «The One World Schoolhouse: Education Reimagined».
• Contribuciones: Khan, fundador de Khan Academy, aborda la personalización del aprendizaje y cómo las tecnologías digitales, a través de plataformas educativas en línea, pueden revolucionar la forma en que se ofrece y se recibe la educación.

1. Pedro Domingos:

• Obra Destacada: «The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World».
• Contribuciones: Domingos explora el papel de los algoritmos en el aprendizaje automático y cómo estos pueden impactar la personalización del aprendizaje, desempeñando un papel crucial en la toma de decisiones educativas.

1. Michelle R. Weise y Clayton M. Christensen:

• Obra Destacada: «Hire Education: Mastery, Modularization, and the Workforce Revolution».
• Contribuciones: Weise y Christensen exploran cómo la modularización y la personalización del aprendizaje, impulsadas por tecnologías educativas disruptivas, pueden transformar la educación superior y su relación con el mercado laboral.

1. John D. Couch y Jason M. Schmidt:

• Obra Destacada: «Rewiring Education: How Technology Can Unlock Every Student’s Potential».
• Contribuciones: Couch y Schmidt abogan por la redefinición de la educación a través de la tecnología, discutiendo cómo la inteligencia artificial y los algoritmos pueden personalizar el aprendizaje para adaptarse a las necesidades individuales de los estudiantes.

Pronto el registro y análisis de datos semánticos podrá convertirse en un nuevo lenguaje común Los ALGORITMOS son los tipos de espionaje doméstico ilegal realizadas por la NASA y sus compañeros Acronymic fue construido en la parte posterior de una infraestructura ya existente de vigilancia comercial. Lo mismo podría decirse de la difuminación de la línea entre la inteligencia y la investigación lo demuestra la creación de “centros de fusión” para reutilizar las herramientas de espionaje en vez contenidos de los servicios de inteligencia y la consecución de los objetivos nacionales y con el propósito de controlar la delincuencia.

Tanto el espionaje interno por las agencias de inteligencia federales y nuevas formas de vigilancia invasiva ha sido habilitada por la arquitectura de vigilancia comercial establecida por los gustos de gigantes corporativos como Facebook y Google a la que los ciudadanos han rendido su derecho a la privacidad, aparentemente de buen grado , o como la propia VISA, o se creian que no.

La convergencia entre el registro y análisis de datos semánticos, el desarrollo de algoritmos avanzados, y la vigilancia gubernamental plantea cuestiones significativas en términos de privacidad y derechos civiles. Vamos a explorar y desarrollar algunos de estos aspectos:

1. Registro y Análisis de Datos Semánticos:

• Descripción: El registro y análisis de datos semánticos se refieren a la recopilación y procesamiento de información contextual sobre el significado de los datos. Esto incluye interpretaciones más profundas, como el análisis de sentimientos y la comprensión del contexto.
• Desarrollo: Las tecnologías modernas permiten a las organizaciones, tanto gubernamentales como corporativas, recopilar datos semánticos a una escala masiva. Estos datos se utilizan para comprender mejor el comportamiento, las preferencias y las conexiones de las personas.

1. Algoritmos y Espionaje Doméstico:

• Descripción: Los algoritmos desempeñan un papel clave en el análisis de grandes conjuntos de datos. En el contexto del espionaje doméstico, los algoritmos se utilizan para identificar patrones de comportamiento, conexiones y posibles amenazas.
• Desarrollo: Las agencias gubernamentales, como la NASA, pueden emplear algoritmos para analizar datos recopilados, ya sea a través de vigilancia satelital, monitoreo de comunicaciones o datos de redes sociales. Esto plantea preocupaciones sobre la legalidad y ética del espionaje doméstico.

1. Centros de Fusión y Difuminación de Líneas:

• Descripción: Los centros de fusión son instalaciones que buscan integrar información de diversas fuentes, a menudo fusionando datos de inteligencia y aplicando análisis avanzados.
• Desarrollo: La difuminación de líneas entre inteligencia y investigación se evidencia en la creación de centros de fusión. Estos centros pueden utilizar herramientas de espionaje inicialmente diseñadas para la inteligencia nacional con el objetivo de combatir la delincuencia a nivel nacional.

1. Arquitectura de Vigilancia Comercial:

• Descripción: Grandes empresas tecnológicas, como Facebook y Google, han establecido arquitecturas de vigilancia comercial para recopilar datos de usuarios con fines publicitarios y de personalización de servicios.
• Desarrollo: La arquitectura de vigilancia comercial ha proporcionado a las agencias gubernamentales una infraestructura ya existente para acceder a datos masivos. Este intercambio de información plantea preguntas sobre el consentimiento informado de los ciudadanos y la responsabilidad de las empresas en la protección de la privacidad.

1. Privacidad y Control Ciudadano:

• Descripción: Los ciudadanos, en muchos casos, han renunciado a su privacidad al participar activamente en plataformas en línea y compartir datos personales sin plena conciencia de las implicaciones.
• Desarrollo: La aparente aceptación de la pérdida de privacidad por parte de los ciudadanos, ya sea por conveniencia o falta de conciencia, plantea cuestiones fundamentales sobre el control ciudadano sobre sus datos y el equilibrio entre la conveniencia y la protección de la privacidad.

La convergencia de la vigilancia gubernamental, la tecnología de datos semánticos y el espionaje comercial plantea desafíos importantes para la privacidad y los derechos civiles. Es esencial encontrar un equilibrio entre la seguridad nacional, la protección contra la delincuencia y la preservación de los derechos individuales y la privacidad. Las discusiones y regulaciones claras son necesarias para abordar estas complejidades y garantizar que las tecnologías no se utilicen de manera indebida en detrimento de la libertad y los derechos fundamentales de los ciudadanos.

Teniendo en cuenta el grado en que estas empresas ahora tienen cerca de los monopolios tienen sobre los ciudadanos de información reciben Pasquale piensa que sería prudente revisar la ruptura de los “trusts” en la primera parte del siglo pasado. No es sólo que el poder de estas empresas es ya enorme es que se es que alguna vez se convirtieron en herramientas políticas abiertas serían socavar o poner de cabeza la democracia misma dado que la acción ciudadana requiere el libre intercambio de información para lograr cualquier cosa.

Por eso nuestra insistencia, MI INSISTENCIA, en la transparencia y la confianza, no hay otra manera mas clara que la PUBLICIDAD pública, es la unica manera de ser diatralmente claros y avcabar con la opacidad de los “grandes”, ya sean políticos, militares y/o comerciales.

Por eso es tan importante habler clar oy decir que todos los CONTROLES y las REGULACIONES significan poder y por tanto dominio de unos sobre otros, sin más.

Pasquale describe de esta manera:

Como tecnología de la información ha mejorado, los grupos de presión podrían contar una historia seductora: los reguladores ya no eran necesarios. Los modelos de computacion podrían identificar y mitigar los riesgos.

Transparencia, Confianza y Regulación en el Contexto de Empresas Tecnológicas: Una Perspectiva para la Educación Disruptiva & IA

1. Revisión de los «Trusts» y Poder Empresarial:

• Análisis: La concentración de poder en manos de algunas empresas tecnológicas ha suscitado preocupaciones sobre la influencia desmedida que podrían tener sobre la información y, por ende, sobre la democracia. La sugerencia de Pasquale de revisar la ruptura de los «trusts» refleja la necesidad de examinar la estructura de estas empresas para preservar la competencia y evitar el abuso de poder.

2. Importancia de la Transparencia y la Confianza:

• Contextualización: Pasquale destaca la importancia de la transparencia y la confianza en el intercambio de información. Estos elementos son esenciales para preservar la democracia y garantizar que las acciones ciudadanas sean informadas y basadas en datos confiables.
• Relación con la Educación Disruptiva & IA: En el ámbito educativo, la transparencia y la confianza son fundamentales. Cuando se implementan tecnologías disruptivas y algoritmos de aprendizaje automático, es crucial que los estudiantes, educadores y la sociedad en general comprendan cómo se toman las decisiones y se personaliza el aprendizaje.

3. Publicidad Pública como Herramienta de Claridad:

• Concepto: La sugerencia de utilizar la «publicidad pública» como un medio transparente implica la divulgación abierta de información. Esto se relaciona con la idea de hacer accesibles los procesos de toma de decisiones y prácticas empresariales.
• Aplicación en la Educación Disruptiva: En el contexto educativo, la publicidad pública puede traducirse en la divulgación abierta de los principios detrás de los algoritmos de personalización. Explicar cómo se adaptan las plataformas educativas y cómo se utilizan los datos puede construir confianza y comprensión.

4. Controles, Regulaciones y Poder:

• Perspectiva: La afirmación de que todos los controles y regulaciones implican poder y dominio destaca la necesidad de equilibrio. Si bien las regulaciones son esenciales para garantizar la protección de la privacidad y la equidad, su implementación debe ser cuidadosa para evitar abusos de poder.
• Enfoque Educativo: En el ámbito educativo, la regulación puede ser necesaria para salvaguardar la privacidad de los estudiantes y garantizar que las tecnologías se utilicen de manera ética. El enfoque debe ser equilibrado para no limitar la innovación y el progreso.

5. Integración Holística en la Educación Disruptiva & IA:

• Enfoque Integral: La perspectiva holística implica considerar la transparencia, la confianza y la regulación como elementos interconectados. En la educación disruptiva, esto implica la implementación de algoritmos y tecnologías con una comprensión completa de su impacto y la importancia de salvaguardar los derechos individuales.
• Aprendizaje Automático y Ética: Los algoritmos de aprendizaje automático deben ser diseñados y regulados éticamente en el entorno educativo. La transparencia en el uso de datos y la confianza en las plataformas contribuyen a un entorno educativo equitativo y centrado en el estudiante.

La transparencia, la confianza y la regulación son elementos esenciales para garantizar que las empresas tecnológicas, especialmente en el ámbito educativo, operen de manera ética y en beneficio de la sociedad. La perspectiva holística aborda la necesidad de equilibrio para evitar concentraciones excesivas de poder y para asegurar que la implementación de tecnologías sea compatible con los principios democráticos y los derechos individuales.

Una cosa es la automatizacion, por medio de la inteligencia artificial, como soporte a las personas y la otra es regular y poner condiciones que solo pueden llegar a los más influyentes e importantes…
Eso si, los que son capaces de automatizar procesos siempre tendran ventaja sobre los demás, pero y ¿si todos podemos acceder a esta automatizacion?, entonces no habran ventajas y todos podremos realizar las operaciones de la misma manera.

La automatización a través de la inteligencia artificial puede ciertamente brindar ventajas significativas a quienes la utilizan, ya que puede aumentar la eficiencia, reducir los errores y liberar tiempo para tareas más creativas y estratégicas. Sin embargo, la disponibilidad generalizada de estas herramientas no necesariamente significa que todos tengan acceso a las mismas oportunidades o que todos puedan beneficiarse de la misma manera. :

1. Nivel de habilidad y conocimiento: Aunque las herramientas de automatización estén disponibles para todos, el grado en que las personas puedan aprovecharlas eficazmente dependerá de su nivel de habilidad y conocimiento en el uso de la tecnología. Aquellos con un mayor nivel de competencia técnica pueden sacar un mayor provecho de las herramientas de IA y automatización.
2. Recursos y acceso: El acceso a la tecnología y los recursos necesarios para utilizar herramientas de IA puede variar según la ubicación geográfica, la situación económica y otros factores socioeconómicos. Las personas con recursos limitados pueden enfrentar barreras para acceder a estas herramientas o para recibir la capacitación necesaria para utilizarlas de manera efectiva.
3. Innovación y creatividad: Aunque la automatización puede realizar tareas repetitivas de manera eficiente, la verdadera innovación y creatividad generalmente provienen de la mente humana. Aquellos que pueden combinar el poder de la automatización con su propia creatividad y capacidad de pensamiento crítico pueden destacarse en entornos competitivos.
4. Diversidad de habilidades: La automatización puede ser útil en tareas específicas y repetitivas, pero no puede reemplazar por completo la amplia gama de habilidades humanas, como la empatía, la inteligencia emocional, el juicio ético y la toma de decisiones complejas en contextos ambiguos.

Si bien la automatización puede nivelar el campo de juego en algunos aspectos, sigue habiendo diferencias significativas en cuanto a cómo las personas pueden aprovechar estas herramientas y los resultados que pueden lograr. La igualdad de acceso a la tecnología es importante, pero también lo es la capacidad de cada individuo para desarrollar habilidades complementarias y aprovechar su creatividad e innovación en un entorno cada vez más automatizado.

Taylor Owen afirma: Si los algoritmos representan un nuevo espacio sin gobierno, una ocultacion y, potencialmente, en constante evolución hacia lo opaco de lo público, entonces son una afrenta a nuestro sistema democrático, que requiere transparencia y la rendición de cuentas para poder funcionar. Un NODO de poder que existe fuera de estos límites es una amenaza a la noción misma de la gobernanza colectiva. Esto, en su esencia, es una noción u antidemócrática que los estados tendrán que comprometerse con seriedad si van a seguir siendo relevante y legítimo a sus ciudadanos digitales que les dan su poder.

Automatización, Democratización y Desafíos Democráticos en el Contexto de la Educación Disruptiva & IA:

1. Automatización como Soporte vs. Regulación Exclusiva:

• Diferenciación: La automatización a través de la inteligencia artificial puede ser un soporte valioso para las personas, mejorando eficiencia y accesibilidad. Sin embargo, la regulación exclusiva puede crear condiciones que favorezcan a los más influyentes, limitando el acceso equitativo a las ventajas de la automatización.
• Enfoque Democrático: La democratización de la automatización implica garantizar que todos tengan acceso a estas herramientas, evitando así la concentración de poder y promoviendo la equidad en el aprovechamiento de las ventajas tecnológicas.

2. Taylor Owen y los Desafíos Democráticos de los Algoritmos:

• Desafíos Identificados por Owen: Owen destaca la preocupación de que los algoritmos, al representar un espacio sin gobierno y evolucionar hacia la opacidad, pueden amenazar la transparencia y rendición de cuentas, elementos fundamentales para el funcionamiento de un sistema democrático.
• Contraposición con la Educación Disruptiva & IA: En el ámbito educativo, la transparencia en el uso de algoritmos es crucial. Asegurar que los procesos de toma de decisiones en plataformas educativas basadas en IA sean comprensibles y explicables es esencial para preservar la confianza y la rendición de cuentas en el sistema educativo.

3. Democratización de la Automatización y Poder Digital:

• Visión Democrática: La democratización de la automatización implica que todos puedan acceder y beneficiarse de estas tecnologías. Cuando la automatización se vuelve accesible para todos, se reduce la posibilidad de que un grupo selecto controle exclusivamente el poder digital.
• Relevancia en la Educación Disruptiva: En el ámbito educativo, la democratización implica que estudiantes y educadores tengan acceso equitativo a herramientas de aprendizaje automatizado, evitando así desigualdades en el acceso a recursos educativos avanzados.

4. Compromisos Estatales y Ciudadanos Digitales:

• Desafíos y Compromisos: La existencia de nodos de poder al margen de los límites democráticos es una amenaza. Los estados deben comprometerse seriamente a abordar esta cuestión para mantener su relevancia y legitimidad ante ciudadanos digitales.
• Educación Disruptiva & IA en el Ecosistema Web: La educación disruptiva con IA debe incorporar prácticas transparentes y rendición de cuentas. La participación activa de ciudadanos digitales en la formulación de políticas y regulaciones puede ser esencial para equilibrar el poder en el ecosistema educativo web.

5. Relevancia y Legitimidad Democrática:

• Importancia: La transparencia y rendición de cuentas son esenciales para la relevancia y legitimidad democrática. Los estados deben comprometerse a abordar desafíos antidemocráticos y asegurar que las tecnologías sirvan a los ciudadanos en lugar de socavar la gobernanza colectiva.
• Aplicación en Educación Disruptiva: En el contexto educativo, la transparencia en la implementación de tecnologías disruptivas, como algoritmos de aprendizaje automático, es clave para garantizar que estas herramientas sirvan a los objetivos educativos y no comprometan la equidad y la participación democrática en la educación.

La democratización de la automatización en la educación disruptiva con IA debe ir de la mano con la transparencia y rendición de cuentas para evitar amenazas a la gobernanza democrática. La participación activa de estados y ciudadanos en la formulación de políticas es fundamental para equilibrar el poder y garantizar que las tecnologías digitales se utilicen en beneficio de la sociedad en su conjunto.

Obviamente tanto Pascuale como yo mismo opinamos lo contrario, aunque aun hay muchas preguntas de como hacerlo, tenemo un excelente comienzo para responder a la pregunta de cómo la democracia y la libertad, pueden sobrevivir en la era de los algoritmos digitales.

Evidentemente pascuale no lo contempla, pero nosotros si, y lo hacemos abogando con la desparicion de las JERARQUIAS y la aparicion de las REDARQUIAS, ecidentemente es la unica manera de conseguirlo y es más, sabemos como y lo tenemos en nuestra mano.

De Jerarquías a Redarquías: Preservando la Democracia y la Libertad en la Era de los Algoritmos Digitales

1. Desafíos Democráticos en la Era de los Algoritmos:

• Contextualización: Pasquale y tu perspectiva plantean la preocupación sobre cómo la democracia y la libertad pueden mantenerse en la era de los algoritmos digitales. Los desafíos incluyen la opacidad de los algoritmos y la posible concentración de poder.

2. Transición a Redarquías:

• Definición: La transición de jerarquías a redarquías implica un cambio en la estructura organizativa. En lugar de seguir una jerarquía tradicional, las redarquías se caracterizan por una red de nodos interconectados sin una estructura centralizada.
• Valores Asociados: Las redarquías se basan en principios de colaboración, participación y toma de decisiones distribuida. Cada nodo tiene un nivel de autonomía y contribuye al proceso general.

3. Desaparición de Jerarquías:

• Razones: La desaparición de jerarquías aborda la preocupación sobre la concentración de poder. Las jerarquías tradicionales a menudo concentran la toma de decisiones en la cima, lo que puede dar lugar a inequidades y falta de participación.
• Relevancia Democrática: Al eliminar estructuras jerárquicas, se busca crear entornos más democráticos donde cada voz tenga un impacto significativo. La participación ciudadana se convierte en un principio central.

4. Aparición de Redarquías:

• Principios Redárquicos: Las redarquías se construyen sobre la idea de nodos interconectados. La información, la toma de decisiones y el poder se distribuyen en toda la red, lo que fomenta la diversidad de perspectivas y evita la concentración unilateral de influencia.
• Relevancia en la Era de Algoritmos: En el contexto de los algoritmos digitales, las redarquías pueden ayudar a mitigar la opacidad y la centralización del poder al fomentar la transparencia y la participación.

5. Democratización del Acceso a la Tecnología:

• Enfoque Inclusivo: La desaparición de jerarquías y la adopción de redarquías pueden democratizar el acceso a la tecnología. La participación en la creación y regulación de algoritmos se extiende más ampliamente, evitando que el control recaiga únicamente en unos pocos.
• Relevancia para la Educación Disruptiva: En el ámbito educativo, la adopción de redarquías puede permitir que estudiantes, educadores y comunidades influyan en el desarrollo y aplicación de tecnologías educativas disruptivas.

6. Poder en Manos de la Comunidad:

• Responsabilidad Compartida: La redarquía implica una distribución de poder y responsabilidad. En lugar de depender de unas pocas entidades, la comunidad en su conjunto tiene un papel activo en la toma de decisiones y la dirección de la tecnología.
• Sostenibilidad Democrática: Este enfoque sostenible de la democracia digital puede salvaguardar los valores fundamentales de libertad y participación activa en la era de los algoritmos digitales.

7. Desafíos y Preguntas Abiertas:

• Preguntas Sin Resolver: Aunque la idea de transicionar a redarquías es intrigante, hay preguntas prácticas sin respuesta sobre cómo implementar esto en diversas esferas, incluida la regulación y gobernanza de algoritmos.
• Diálogo Continuo: La transición a redarquías requiere un diálogo continuo y colaborativo entre expertos en tecnología, legisladores, educadores y ciudadanos para abordar desafíos y garantizar la efectividad y equidad del nuevo modelo.

La adopción de redarquías en lugar de jerarquías ofrece un enfoque innovador para abordar los desafíos democráticos en la era de los algoritmos digitales. Este cambio puede contribuir a la transparencia, participación ciudadana y distribución equitativa del poder, salvaguardando así los principios fundamentales de democracia y libertad. Sin embargo, su implementación requerirá un esfuerzo conjunto y un diálogo continuo para superar desafíos y asegurar la efectividad y sostenibilidad de este modelo.

Redarquías como Elemento Clave en LLMs (Modelos de Lenguaje) de Código Fuente Cerrado y Abierto: Fomentando la Diversidad de Perspectivas y Evitando el Pensamiento Único

1. En LLMs de Código Fuente Cerrado:

• Desafíos Actuales: Los Modelos de Lenguaje de Código Fuente Cerrado, como los desarrollados por grandes empresas tecnológicas, a menudo enfrentan críticas por su opacidad y el riesgo de sesgos inherentes.
• Integración de Redarquías: La integración de redarquías en estos modelos implica abrir procesos de toma de decisiones, revisión y entrenamiento a una red más amplia de expertos y contribuyentes.
• Beneficios Potenciales: Al hacer que la toma de decisiones en el desarrollo de LLMs sea más inclusiva y distribuida, se puede mitigar el riesgo de sesgos unilaterales y promover una representación más diversa de perspectivas.

2. En LLMs de Código Fuente Abierto:

• Ventajas Actuales: Los Modelos de Lenguaje de Código Fuente Abierto, como proyectos de la comunidad, ya tienen la ventaja de la transparencia y la participación de múltiples contribuyentes.
• Fortalecimiento con Redarquías: Fortalecer estos modelos implica fortalecer aún más las prácticas de redarquía. Esto podría lograrse a través de mecanismos más estructurados de revisión, gobernanza y contribución.
• Prevención del Pensamiento Único: Al fomentar la diversidad en la contribución y toma de decisiones, se evita el riesgo de que un grupo limitado dicte el desarrollo del modelo, lo que contribuye a la prevención del pensamiento único.

—Creamos un chatbot de código cerrado y uno de código abierto, ambos enfocados en la autorregulación del estudiante. Vamos a establecer algunas preguntas para cada uno y ver cómo serían las respuestas:

Chatbot de Código Cerrado:

Este chatbot utiliza un conjunto predefinido de preguntas y respuestas específicas sobre autorregulación del estudiante.

pythonCopy code# Función para procesar la entrada del usuario y generar una respuesta (Código Cerrado)
def process_input_closed(input_text):
    if "motivación" in input_text:
        return "Es importante mantenerse motivado para alcanzar tus metas académicas. ¿Hay algo específico que te motive?"
    elif "planificación" in input_text:
        return "La planificación es clave para el éxito académico. ¿Cómo organizas tu tiempo de estudio?"
    elif "distracción" in input_text:
        return "Las distracciones pueden dificultar el aprendizaje. ¿Qué estrategias utilizas para mantener el enfoque?"
    else:
        return "Lo siento, no tengo una respuesta preparada para esa pregunta en este momento."

# Ejemplo de preguntas para el chatbot de código cerrado
pregunta1_closed = "¿Cómo puedo mantenerme motivado para estudiar?"
pregunta2_closed = "¿Qué estrategias puedo utilizar para organizar mejor mi tiempo de estudio?"
pregunta3_closed = "¿Cómo puedo evitar distraerme mientras estudio?"

# Procesar las preguntas y obtener respuestas del chatbot de código cerrado
print("Respuesta 1 (Código Cerrado):", process_input_closed(pregunta1_closed))
print("Respuesta 2 (Código Cerrado):", process_input_closed(pregunta2_closed))
print("Respuesta 3 (Código Cerrado):", process_input_closed(pregunta3_closed))

Chatbot de Código Abierto:

Este chatbot es más flexible y puede responder una variedad más amplia de preguntas utilizando un modelo de lenguaje generativo.

pythonCopy codefrom transformers import pipeline

# Cargar el modelo de lenguaje generativo (GPT-3)
openai_chatbot = pipeline("text-generation", model="EleutherAI/gpt-neo-2.7B")

# Función para procesar la entrada del usuario y generar una respuesta (Código Abierto)
def process_input_open(input_text):
    return openai_chatbot(input_text, max_length=50, do_sample=False)[0]['generated_text']

# Ejemplo de preguntas para el chatbot de código abierto
pregunta1_open = "¿Cómo puedo mantenerme motivado para estudiar?"
pregunta2_open = "¿Qué estrategias puedo utilizar para organizar mejor mi tiempo de estudio?"
pregunta3_open = "¿Cómo puedo evitar distraerme mientras estudio?"

# Procesar las preguntas y obtener respuestas del chatbot de código abierto
print("Respuesta 1 (Código Abierto):", process_input_open(pregunta1_open))
print("Respuesta 2 (Código Abierto):", process_input_open(pregunta2_open))
print("Respuesta 3 (Código Abierto):", process_input_open(pregunta3_open))

Similitudes y Diferencias:

Similitudes:

• Ambos chatbots responden preguntas relacionadas con la autorregulación del estudiante.
• Ambos ofrecen respuestas relevantes y útiles para las preguntas planteadas.

Diferencias:

• El chatbot de código cerrado tiene un conjunto limitado de preguntas y respuestas predefinidas, mientras que el chatbot de código abierto puede generar respuestas más variadas y contextuales.
• El chatbot de código cerrado es más específico y dirigido, mientras que el chatbot de código abierto es más flexible y puede manejar una gama más amplia de consultas.

Tabla comparativa entre el chatbot de código cerrado y el chatbot de código abierto:

cssCopy code| Aspecto            | Chatbot de Código Cerrado            | Chatbot de Código Abierto                |
|--------------------|--------------------------------------|------------------------------------------|
| Flexibilidad       | Limitada, solo puede responder       | Alta, puede generar una amplia variedad |
|                    | preguntas específicas predefinidas   | de respuestas a partir del contexto      |
|                    | sobre autorregulación del estudiante | de la pregunta                           |
| Complejidad        | Baja, utiliza un conjunto            | Alta, utiliza un modelo de lenguaje      |
|                    | predefinido de reglas para           | generativo entrenado en una amplia gama |
|                    | generar respuestas                   | de datos                                 |
| Adaptabilidad      | Baja, no puede adaptarse a           | Alta, puede adaptarse a diferentes       |
|                    | nuevas situaciones o preguntas       | situaciones y preguntas de manera        |
|                    |                                      | dinámica                                 |
| Personalización    | Baja, ofrece respuestas              | Alta, puede generar respuestas           |
|                    | genéricas para un conjunto           | personalizadas y contextuales según      |
|                    | limitado de preguntas                | la pregunta y el contexto                |
| Implementación     | Más rápida y sencilla de implementar | Más compleja y requiere acceso a        |
|                    | debido a la simplicidad de las reglas| modelos de lenguaje generativo           |
|                    | y la falta de necesidad de            | entrenados y recursos de cómputo        |
|                    | entrenamiento previo                 | suficientes                             |
| Ejemplos de uso    | Soporte de preguntas frecuentes      | Asistente virtual, generación de        |
|                    | sobre autorregulación del estudiante | contenido, chat en línea, etc.          |

3. Desarrollo de Redarquías:

• Principios Fundamentales: El desarrollo de redarquías implica adherirse a principios como la transparencia, la inclusión, la rendición de cuentas y la toma de decisiones distribuida.
• Procesos de Revisión Abierta: En la implementación de redarquías, los procesos de revisión deben ser abiertos a la participación de expertos diversos, evitando la centralización de la autoridad en un grupo reducido.
• Participación Activa de la Comunidad: La comunidad en su conjunto, incluidos expertos, usuarios y otros interesados, debe tener la capacidad de contribuir y revisar de manera activa el desarrollo del LLM.

4. Estrategias para Evitar el Pensamiento Único:

• Diversificación de Perspectivas: Integrar una amplia variedad de perspectivas y experiencias contribuye a la diversificación del desarrollo, evitando la homogeneidad de pensamiento.
• Revisión y Auditorías Independientes: La implementación de revisiones y auditorías independientes, llevadas a cabo por expertos externos y diversas organizaciones, fortalece la credibilidad y reduce el riesgo de pensamiento único.

5. Desarrollo Continuo y Mejora:

• Ciclo de Mejora Continua: Establecer un ciclo continuo de mejora basado en la retroalimentación abierta y la adaptabilidad es esencial para evolucionar las prácticas de redarquía y evitar la complacencia.
• Aprendizaje Colectivo: El desarrollo de redarquías debe considerarse como un proceso de aprendizaje colectivo, donde la comunidad contribuye a la evolución y mejora constante del modelo de lenguaje.

La integración de redarquías en el desarrollo de Modelos de Lenguaje, tanto de código fuente cerrado como abierto, ofrece una estrategia clave para prevenir el pensamiento único y fomentar la diversidad de perspectivas. Esto no solo contribuye a la mejora de la calidad y equidad de los modelos, sino que también fortalece la confianza y la participación democrática en el desarrollo de tecnologías fundamentales. La transición hacia redarquías implica una transformación profunda en la cultura y prácticas de desarrollo, pero su implementación puede abrir nuevas posibilidades para la innovación y la construcción colectiva de conocimiento.

En la transformación de la universidad, la IA también puede desempeñar un papel importante en la optimización de procesos administrativos, la personalización del aprendizaje, la investigación asistida por IA y la mejora de la eficiencia en general. Sin embargo, es importante tener en cuenta que la implementación exitosa de la IA en la educación requiere un enfoque cuidadoso para garantizar la equidad, la transparencia y la protección de la privacidad de los estudiantes.

Ejemplo práctico de cómo se podría aplicar la predicción autorregresiva anticipada con Inteligencia Artificial en el ámbito educativo:

Supongamos que una universidad está interesada en predecir las tasas de graduación de sus estudiantes de nuevo ingreso en los próximos años. Para ello, recopila datos históricos de sus estudiantes durante los últimos diez años, incluyendo variables como las calificaciones de ingreso, el promedio de calificaciones durante el primer año, la participación en actividades extracurriculares, el género, el nivel socioeconómico, entre otros.

El objetivo es construir un modelo de predicción que utilice estos datos para prever la probabilidad de que un estudiante dado se gradúe dentro de los próximos cuatro años.

Preprocesamiento de datos: Se realiza una limpieza y preparación de los datos, incluyendo la eliminación de valores atípicos, el manejo de datos faltantes y la codificación de variables categóricas.

En esta etapa, es fundamental preparar los datos para el modelado. Esto incluye la limpieza de los datos, la codificación de variables categóricas, el manejo de valores faltantes, y la normalización o estandarización de las características si es necesario.

Copiar
# Ejemplo de limpieza de datos
datos = datos.dropna() # Eliminar filas con valores faltantes

# Ejemplo de codificación de variables categóricas
datos = pd.get_dummies(datos, columns=[‘genero’]) # Codificar la variable categórica ‘genero’

# Ejemplo de normalización de características
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
datos[[‘calificaciones_ingreso’, ‘promedio_primer_anio’]] = scaler.fit_transform(datos[[‘calificaciones_ingreso’, ‘promedio_primer_anio’]])

División de datos: Se dividen los datos en un conjunto de entrenamiento y un conjunto de prueba. El conjunto de entrenamiento se utilizará para entrenar el modelo, mientras que el conjunto de prueba se utilizará para evaluar su rendimiento.
Dividir los datos en un conjunto de entrenamiento y un conjunto de prueba es crucial para evaluar el rendimiento del modelo en datos no vistos.

Copiar
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Entrenamiento del modelo: Se selecciona un modelo adecuado para el problema, como un modelo de regresión logística, y se entrena utilizando el conjunto de entrenamiento. Durante el entrenamiento, el modelo aprenderá a reconocer patrones en los datos que estén asociados con las tasas de graduación.

En esta etapa, se selecciona un modelo adecuado y se entrena utilizando el conjunto de entrenamiento.

Copiar
from sklearn.linear_model import LogisticRegression

modelo = LogisticRegression()
modelo.fit(X_train, y_train)

Validación del modelo: Se evalúa el rendimiento del modelo utilizando el conjunto de prueba, calculando métricas como la precisión, el área bajo la curva ROC, o la sensibilidad y especificidad, dependiendo del enfoque específico del problema y de las necesidades de la universidad.
Se evalúa el rendimiento del modelo utilizando métricas relevantes, como la precisión, el área bajo la curva ROC, etc.

Copiar
from sklearn.metrics import accuracy_score

predicciones = modelo.predict(X_test)
precision = accuracy_score(y_test, predicciones)
print(“Precisión del modelo: {:.2f}%”.format(precision * 100))

Predicción: Una vez validado, el modelo se utiliza para hacer predicciones sobre las tasas de graduación de los estudiantes de nuevo ingreso para los próximos años. Por ejemplo, puede predecir que el 75% de los estudiantes de nuevo ingreso se graduarán dentro de los próximos cuatro años.
Se utiliza el modelo entrenado para hacer predicciones sobre nuevos datos.

Copiar
nuevas_predicciones = modelo.predict(nuevos_datos)

Iteración y mejora: El modelo se puede refinar y mejorar utilizando técnicas como la optimización de hiperparámetros o la incorporación de más datos a medida que estén disponibles. También es importante monitorear continuamente el rendimiento del modelo y actualizarlo según sea necesario.

Se refinan y mejoran el modelo según sea necesario, utilizando técnicas como la optimización de hiperparámetros, la ingeniería de características, etc.

Copiar
# Ejemplo de optimización de hiperparámetros
from sklearn.model_selection import GridSearchCV

param_grid = {‘C’: [0.1, 1, 10, 100]}
grid_search = GridSearchCV(LogisticRegression(), param_grid, cv=5)
grid_search.fit(X_train, y_train)
mejor_modelo = grid_search.best_estimator_

Ejemplo simple de cómo se podría implementar un algoritmo de predicción de tasas de graduación utilizando Python y la biblioteca scikit-learn. En este ejemplo, utilizaré un modelo de regresión logística para predecir si un estudiante se graduará dentro de los próximos cuatro años o no, basándose en datos históricos.

Copiar
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# Supongamos que tienes un conjunto de datos en formato CSV llamado ‘datos.csv’ con las siguientes columnas:
# ‘calificaciones_ingreso’, ‘promedio_primer_anio’, ‘actividades_extracurriculares’, ‘genero’, ‘nivel_socioeconomico’, ‘se_graduo’
# Donde ‘se_graduo’ es una variable binaria que indica si el estudiante se graduó dentro de los próximos cuatro años (1) o no (0).

# Carga de datos
datos = pd.read_csv(‘datos.csv’)

# División de datos en características (X) y etiquetas (y)
X = datos.drop(‘se_graduo’, axis=1)
y = datos[‘se_graduo’]

# División de datos en conjuntos de entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Creación y entrenamiento del modelo de regresión logística
modelo = LogisticRegression()
modelo.fit(X_train, y_train)

# Predicciones en el conjunto de prueba
predicciones = modelo.predict(X_test)

# Evaluación del rendimiento del modelo
precision = accuracy_score(y_test, predicciones)
print(“Precisión del modelo: {:.2f}%”.format(precision * 100))

Este código carga un conjunto de datos desde un archivo CSV, divide los datos en características (variables independientes) y etiquetas (variable dependiente), luego divide los datos en conjuntos de entrenamiento y prueba, crea y entrena un modelo de regresión logística, realiza predicciones en el conjunto de prueba y finalmente evalúa la precisión del modelo.

El modelado autorregresivo es un componente importante de los modelos de lenguaje de gran tamaño (LLM). Los LLM funcionan con el generative pre-trained transformer (GPT, transformadores generativos preentrenados), una red neuronal profunda derivada de la arquitectura del transformador.

El transformador consta de un codificador-decodificador que permite la comprensión del lenguaje natural y la generación del lenguaje natural, respectivamente. El GPT usa solo el decodificador para el modelado del lenguaje autorregresivo. Esto permite al GPT entender los lenguajes naturales y responder de una manera que los humanos comprenden. Un modelo de lenguaje de gran tamaño basado en GPT predice la palabra siguiente teniendo en cuenta la probabilidad de distribución del corpus de texto con el que se entrena.

juandon

BIBLIOGRAFÍA:

Autores:

1. Barry Zimmerman
2. Dale H. Schunk
3. Anna L. Duckworth
4. Johnmarshall Reeve
5. Linda Nilson

Universidades:

1. Universidad de Stanford
2. Universidad de Harvard
3. Universidad de Columbia
4. Universidad de Michigan
5. Universidad de Toronto

Plataformas:

1. EdX
2. Coursera
3. Udemy
4. FutureLearn
5. Khan Academy

Artículos Científicos:

1. Zimmerman, B. J. (2000). «Attaining self-regulation: A social cognitive perspective.»
2. Schunk, D. H., & Zimmerman, B. J. (2008). «Motivation and self-regulated learning: Theory, research, and applications.»
3. Duckworth, A. L., & Seligman, M. E. P. (2005). «Self-discipline outdoes IQ in predicting academic performance of adolescents.»
4. Zimmerman, B. J. (2002). «Becoming a self-regulated learner: An overview.»
5. Pintrich, P. R. (2000). «The role of goal orientation in self-regulated learning.»

Libros:

1. «Self-Regulated Learning: The New Education» by Barry Zimmerman and Dale H. Schunk
2. «Grit: The Power of Passion and Perseverance» by Angela Duckworth
3. «Self-Directed Learning: From Theory to Practice» by Alan J. Tough
4. «Handbook of Self-Regulation of Learning and Performance» edited by Barry J. Zimmerman, Dale H. Schunk, and Anastasia Kitsantas
5. «Mindset: The New Psychology of Success» by Carol S. Dweck

Investigaciones:

1. Investigaciones del Grupo de Tecnología Educativa de la Universidad de Stanford.
2. Estudios sobre el impacto de la autorregulación en el aprendizaje llevados a cabo en la Universidad de Harvard.
3. Investigaciones sobre el diseño de chatbots educativos para mejorar la autorregulación en la Universidad de Columbia.
4. Estudios longitudinales sobre el desarrollo de la autorregulación en estudiantes llevados a cabo en la Universidad de Michigan.
5. Investigaciones interdisciplinarias sobre el papel de la tecnología en la promoción de la autorregulación en la Universidad de Toronto.

Autores:

6. Albert Bandura
7. Paul R. Pintrich
8. Zimmerman, B. J., & Schunk, D. H.
9. Winne, P. H.
10. Boekaerts, M.

Universidades:

6. Universidad de California, Berkeley
7. Universidad de Pennsylvania
8. Universidad de Chicago
9. Universidad de Wisconsin-Madison
10. Universidad de Queensland

Plataformas:

6. TED Talks
7. MIT OpenCourseWare
8. Harvard Business Publishing Education
9. OpenStax
10. Wiley Online Library

Artículos Científicos:

6. Boekaerts, M., & Corno, L. (2005). «Self-regulation in the classroom: A perspective on assessment and intervention.»
7. Winne, P. H., & Hadwin, A. F. (1998). «Studying as self-regulated learning.»
8. Pintrich, P. R. (2004). «A conceptual framework for assessing motivation and self-regulated learning in college students.»
9. Zimmerman, B. J. (1990). «Self-regulated learning and academic achievement: An overview.»
10. Schraw, G., Crippen, K. J., & Hartley, K. (2006). «Promoting self-regulation in science education: Metacognition as part of a broader perspective on learning.»

Libros:

6. «Handbook of Self-Regulation» edited by Monique Boekaerts, Paul R. Pintrich, and Moshe Zeidner
7. «The Power of Mindful Learning» by Ellen J. Langer
8. «Motivation and Self-Regulated Learning: Theory, Research, and Applications» edited by Dale H. Schunk and Barry J. Zimmerman
9. «Self-Regulation in Learning: The Role of Metacognition» by Dale H. Schunk and Barry J. Zimmerman
10. «Enhancing Self-Regulated Learning and Performance» by Dale H. Schunk and Barry J. Zimmerman

Investigaciones:

6. Estudios sobre el impacto de la autorregulación en diferentes campos académicos llevados a cabo en la Universidad de California, Berkeley.
7. Investigaciones sobre estrategias de autorregulación en entornos laborales realizadas en la Universidad de Pennsylvania.
8. Estudios longitudinales sobre el desarrollo de la autorregulación en estudiantes universitarios realizados en la Universidad de Chicago.
9. Investigaciones sobre la relación entre la autorregulación y el bienestar emocional en niños llevadas a cabo en la Universidad de Wisconsin-Madison.
10. Estudios sobre la eficacia de intervenciones para mejorar la autorregulación en entornos educativos realizados en la Universidad de Queensland.

Autores:

11. Carol S. Dweck
12. Albert Einstein College of Medicine
13. Anne F. Weisberg
14. K. Ann Renninger
15. David B. Daniel

Universidades:

11. Universidad de Columbia Británica
12. Universidad de Washington
13. Universidad de Arizona
14. Universidad de Oregón
15. Universidad de Nottingham

Plataformas:

11. Google Scholar
12. JSTOR
13. SpringerLink
14. ResearchGate
15. ScienceDirect

Artículos Científicos:

11. Zimmerman, B. J., & Campillo, M. (2003). «Motivating self-regulated problem solvers.»
12. Veenman, M. V. (2011). «Alternative assessment of strategy use with self-report instruments: A discussion.»
13. Schunk, D. H. (2003). «Self-regulation and academic achievement.»
14. Cleary, T. J., & Zimmerman, B. J. (2001). «Self-regulation differences during athletic practice by experts, non-experts, and novices.»
15. Efklides, A. (2011). «Interactions of metacognition with motivation and affect in self-regulated learning: The MASRL model.»

Libros:

11. «Mindset: Changing the Way You Think to Fulfil Your Potential» by Carol S. Dweck
12. «The Cambridge Handbook of Self-Regulation» edited by Roy F. Baumeister and Kathleen D. Vohs
13. «Motivation and Self-Regulated Learning: Theory, Research, and Applications» edited by Dale H. Schunk and Barry J. Zimmerman
14. «Handbook of Motivation at School» edited by Kathryn R. Wentzel and David B. Miele
15. «Self-Regulated Learning and Academic Achievement: Theoretical Perspectives» edited by Barry J. Zimmerman and Dale H. Schunk

Investigaciones:

11. Estudios sobre el impacto de la autorregulación en el aprendizaje de idiomas llevados a cabo en la Universidad de Columbia Británica.
12. Investigaciones sobre la relación entre la autorregulación y el rendimiento académico en estudiantes universitarios realizadas en la Universidad de Washington.
13. Estudios sobre estrategias de autorregulación en contextos de aprendizaje en línea realizados en la Universidad de Arizona.
14. Investigaciones sobre la eficacia de intervenciones para mejorar la autorregulación en niños llevadas a cabo en la Universidad de Oregón.
15. Estudios sobre la influencia de la motivación en la autorregulación del aprendizaje realizados en la Universidad de Nottingham.

Ejemplos de Chatbots:

1. «Woebot»: Un chatbot diseñado para ayudar a los usuarios a mejorar su bienestar emocional y desarrollar habilidades de autorregulación.
2. «Papa-El»: Un chatbot educativo que guía a los estudiantes a través de actividades de aprendizaje personalizadas y les enseña estrategias de autorregulación.
3. «Emotion AI»: Un chatbot que utiliza la inteligencia artificial para identificar y responder a las emociones de los estudiantes, ayudándolos a regular sus estados de ánimo y emociones.
4. «Cognii»: Un chatbot diseñado para proporcionar retroalimentación personalizada y apoyo en la mejora de habilidades de autorregulación en el aprendizaje.
5. «Mindspace»: Un chatbot que utiliza técnicas de terapia cognitivo-conductual para ayudar a los estudiantes a desarrollar habilidades de autorregulación y afrontamiento.

Autores:

16. Martin V. Covington
17. Anita Woolfolk
18. David A. Sousa
19. John Hattie
20. Paul R. Pintrich

Universidades:

16. Universidad de California, Los Ángeles (UCLA)
17. Universidad de Harvard
18. Universidad de Stanford
19. Universidad de Melbourne
20. Universidad de Toronto

Plataformas:

16. PubMed
17. IEEE Xplore Digital Library
18. PsycINFO
19. Taylor & Francis Online
20. Wiley Online Library

Artículos Científicos:

16. Pintrich, P. R., & De Groot, E. V. (1990). «Motivational and self-regulated learning components of classroom academic performance.»
17. Zimmerman, B. J. (1998). «Academic studying and the development of personal skill: A self-regulatory perspective.»
18. Winne, P. H., & Hadwin, A. F. (1998). «Studying as self-regulated learning.»
19. Bandura, A., & Schunk, D. H. (1981). «Cultivating competence, self-efficacy, and intrinsic interest through proximal self-motivation.»
20. Duckworth, A. L., Kirby, T. A., Gollwitzer, A., & Oettingen, G. (2013). «From fantasy to action: Mental contrasting with implementation intentions (MCII) improves academic performance in children.»

Libros:

16. «Educational Psychology: Active Learning Edition» by Anita Woolfolk
17. «How the Brain Learns» by David A. Sousa
18. «Visible Learning: A Synthesis of Over 800 Meta-Analyses Relating to Achievement» by John Hattie
19. «Educational Psychology» by Paul R. Pintrich
20. «Motivation in Education: Theory, Research, and Applications» edited by Dale H. Schunk and Judith L. Meece

Investigaciones:

16. Investigaciones sobre la relación entre la autorregulación y el rendimiento académico realizadas en la Universidad de California, Los Ángeles (UCLA).
17. Estudios sobre estrategias de autorregulación en entornos de aprendizaje digital llevados a cabo en la Universidad de Harvard.
18. Investigaciones longitudinales sobre el desarrollo de la autorregulación en niños realizadas en la Universidad de Stanford.
19. Estudios sobre la influencia de la motivación en la autorregulación del aprendizaje llevados a cabo en la Universidad de Melbourne.
20. Investigaciones sobre la efectividad de intervenciones para mejorar la autorregulación en estudiantes universitarios realizadas en la Universidad de Toronto.

Ejemplos de Chatbots:

6. «ChatGPT»: Un chatbot basado en inteligencia artificial que puede proporcionar apoyo y recursos relacionados con la autorregulación en la educación.
7. «EduBot»: Un chatbot diseñado específicamente para ayudar a los estudiantes a desarrollar habilidades de autorregulación y mejorar su rendimiento académico.
8. «LearnMate»: Un chatbot educativo que utiliza técnicas de aprendizaje automático para adaptar la experiencia de aprendizaje a las necesidades individuales de cada estudiante, fomentando así la autorregulación.
9. «MindfulBot»: Un chatbot que ofrece recursos y prácticas de atención plena para ayudar a los estudiantes a mejorar su enfoque y regulación emocional en el aprendizaje.
10. «StudyBuddy»: Un chatbot diseñado para acompañar a los estudiantes durante su proceso de estudio, ofreciendo recordatorios, consejos y estrategias de autorregulación personalizadas.

Autores:

21. María Teresa Anguera
22. María Isabel Polo del Río
23. César Coll
24. José Antonio Marina
25. Fernando Cuetos

Universidades:

21. Universidad Autónoma de Madrid
22. Universidad Nacional de Educación a Distancia (UNED), España
23. Universidad de Buenos Aires (UBA), Argentina
24. Universidad Nacional Autónoma de México (UNAM)
25. Pontificia Universidad Católica de Chile (PUC)

Plataformas:

21. SciELO (Scientific Electronic Library Online)
22. Redalyc (Red de Revistas Científicas de América Latina y el Caribe, España y Portugal)
23. Dialnet
24. Latindex (Sistema Regional de Información en Línea para Revistas Científicas de América Latina, el Caribe, España y Portugal)
25. CLACSO (Consejo Latinoamericano de Ciencias Sociales)

Artículos Científicos:

21. Anguera, M. T., & Hernández-Mendo, A. (2016). «Toward a science of learning systems: A multilevel analysis framework for understanding effective teaching and learning processes.»
22. Coll, C. (2008). «Psicología y currículum: Una aproximación psicopedagógica al currículum escolar.»
23. Polo del Río, M. I., & Lázaro Cantabrana, J. L. (2012). «Self-regulation and motivation in academic performance: Contributions from emotional intelligence.»
24. Cuetos, F., & Ramos, J. L. (2017). «Self-regulation of learning and academic performance.»
25. Marina, J. A. (2014). «The art of learning: Strategies for success in school and life.»

Libros:

21. «Aprender a aprender: La educación del futuro» por José Antonio Marina
22. «Psicología de la educación» por César Coll
23. «La autorregulación en el aprendizaje: Un análisis del constructo» por María Isabel Polo del Río
24. «Psicopedagogía de la diversidad en el aula» por María Teresa Anguera
25. «Neuropsicología de la educación» por Fernando Cuetos

Investigaciones:

21. Investigaciones sobre la influencia de la autorregulación en el aprendizaje de idiomas llevadas a cabo en la Universidad Autónoma de Madrid.
22. Estudios sobre estrategias de autorregulación en estudiantes universitarios realizados en la Universidad Nacional de Educación a Distancia (UNED), España.
23. Investigaciones sobre la relación entre la autorregulación y el rendimiento académico en contextos escolares llevados a cabo en la Universidad de Buenos Aires (UBA), Argentina.
24. Estudios sobre la eficacia de intervenciones para promover la autorregulación en el aprendizaje realizados en la Universidad Nacional Autónoma de México (UNAM).
25. Investigaciones sobre la aplicación de la autorregulación en la enseñanza universitaria realizadas en la Pontificia Universidad Católica de Chile (PUC).

Ejemplos de Chatbots:

11. «AprendeBot»: Un chatbot educativo diseñado para ayudar a los estudiantes hispanohablantes a mejorar sus habilidades de autorregulación y rendimiento académico.
12. «EducaIA»: Un chatbot de inteligencia artificial creado para brindar apoyo y orientación a estudiantes latinoamericanos en temas de autorregulación y estrategias de aprendizaje.
13. «AulaVirtual»: Un chatbot integrado en plataformas de educación virtual que proporciona recursos y actividades para fomentar la autorregulación en los estudiantes.
14. «TutorEducativo»: Un asistente virtual diseñado para acompañar a los estudiantes durante su proceso de aprendizaje, ofreciendo consejos y estrategias de autorregulación personalizadas.
15. «PsicoEduca»: Un chatbot que ofrece recursos y ejercicios basados en la psicología educativa para ayudar a los estudiantes a mejorar su autorregulación y rendimiento académico.

Autores:

26. José Ramón Lago
27. Mariano Martín Gordillo
28. Mariano Yela
29. Teresa García
30. María José Contreras

Universidades:

26. Universidad Complutense de Madrid
27. Universidad Nacional de Educación a Distancia (UNED), España
28. Universidad Nacional de Córdoba (UNC), Argentina
29. Universidad de Costa Rica (UCR)
30. Universidad Nacional de Colombia (UNAL)

Plataformas:

26. Biblat (Bibliografía Latinoamericana en Ciencias Sociales y Humanidades)
27. Revista de Educación
28. Latindex (Sistema Regional de Información en Línea para Revistas Científicas de América Latina, el Caribe, España y Portugal)
29. Red de Revistas Científicas de América Latina y el Caribe, España y Portugal (Redalyc)
30. Scielo España (Scientific Electronic Library Online)

Artículos Científicos:

26. Martín Gordillo, M. (2005). «La autorregulación del aprendizaje en la universidad.»
27. Yela, M. (1999). «Estilos de aprendizaje y estrategias de enseñanza-aprendizaje.»
28. García, T. (2007). «Autoconcepto y rendimiento académico en adolescentes: Un estudio longitudinal.»
29. Lago, J. R. (2003). «El desarrollo del autoconcepto y las estrategias de autorregulación en estudiantes universitarios.»
30. Contreras, M. J. (2010). «Estrategias de aprendizaje, autoconcepto y rendimiento académico en estudiantes de bachillerato.»

Libros:

26. «Aprendizaje autorregulado: Concepto, evaluación e implicaciones pedagógicas» por José Ramón Lago
27. «La autorregulación del aprendizaje en la educación superior» por Mariano Martín Gordillo
28. «Autoconcepto y motivación en el contexto educativo» por Mariano Yela
29. «Desarrollo psicológico y educación» por Teresa García
30. «Estrategias de aprendizaje» por María José Contreras

Investigaciones:

26. Investigaciones sobre la implementación de estrategias de autorregulación en la enseñanza universitaria realizadas en la Universidad Complutense de Madrid.
27. Estudios sobre el impacto de la autorregulación en el aprendizaje a distancia llevados a cabo en la Universidad Nacional de Educación a Distancia (UNED), España.
28. Investigaciones longitudinales sobre el desarrollo del autoconcepto en estudiantes universitarios realizadas en la Universidad Nacional de Córdoba (UNC), Argentina.
29. Estudios sobre la relación entre las estrategias de aprendizaje y el rendimiento académico en estudiantes universitarios realizados en la Universidad de Costa Rica (UCR).
30. Investigaciones sobre la influencia del autoconcepto en el rendimiento académico en estudiantes de bachillerato llevadas a cabo en la Universidad Nacional de Colombia (UNAL).

Ejemplos de Chatbots:

16. «MentorEducativo»: Un chatbot diseñado para orientar a los estudiantes universitarios en el desarrollo de habilidades de autorregulación y estrategias de aprendizaje efectivas.
17. «EstudioBot»: Un asistente virtual que ofrece consejos y recursos personalizados para mejorar la autorregulación y el rendimiento académico de los estudiantes en el ámbito universitario.
18. «AprendizBot»: Un chatbot educativo que utiliza técnicas de inteligencia artificial para proporcionar retroalimentación y guía en el desarrollo de habilidades de autorregulación en el aprendizaje.
19. «AutoconceptoBot»: Un chatbot diseñado para ayudar a los estudiantes a explorar y comprender su autoconcepto, así como su relación con la autorregulación y el rendimiento académico.
20. «EduAcompaña»: Un chatbot que acompaña a los estudiantes en su proceso de aprendizaje, ofreciendo herramientas y estrategias para mejorar la autorregulación y el éxito académico.

Knowledge in interconnected organizations! (Educación Disruptiva)

juandon

 

 

Estructuras organizativas: su funcionamiento y como se interactúa en ellas.Representa una línea irremediablemente muy fina entre lo que se quiere que sean de manera continuista  y sobre lo que realmente serán.

 

 

La mayoría de las organizaciones de hoy en día son extraordinariamente ineficaces. Si aplicamos la creación de valor externo ( burocracia, la administración, la politiquería, las luchas internas y los residuos), entonces el porcentaje determinado por los administradores, empresarios y empleados por igual es por lo general alrededor del 20%. Así, la organización típica de hoy dedica sólo una quinta parte de su energía así como los recursos para la creación de valor para los mercados externos.

 

 

 

Pero con todo ello:

-¿Cómo pueden las organizaciones hacer frente a la complejidad cada vez mayor?
-¿Cómo ajustar una organización en crecimiento, sin caer en la trampa de la jerarquía burocratizada?
-¿Cómo llegar a ser más capaces de adaptarse a las nuevas circunstancias?
-¿Cómo superar las barreras existentes para el rendimiento, la innovación y el crecimiento?
-¿Cómo se conviertirá en una organización adaptada a los seres humanos, y lograr mayor compromiso?
-¿Cómo producir cambios profundos, sin chocar con las brechas sociales, económicas, digitales…?

 

 

Al mismo tiempo, la mayoría de nosotros reconoce que las organizaciones más eficaces son capaces de dedicar una proporción mucho mayor de sus energías a la creación de valor relevante – por lo general, la estimación es de 70 o 80%. Por lo tanto algunas organizaciones excepcionales que lo hagan de forma espectacular recogerán un mejor uso de sus capacidades. Pero, ¿qué es lo que hace la diferencia? Nuestra respuesta: Aquellas mucho más eficaces aplican esta estructura.

 

 

La primera estructura de una organización es la estructura informal. Poder informal e influir en las estructuras, las normas del grupo y los patrones de interacción surgen allí donde los seres humanos se unen. Evolucionan en cualquier estructura social y en cualquier interacción humana.

 

 

A pesar de que la estructura informal es un resultado natural de la interacción social, y crea el pegamento entre los seres humanos en cualquier grupo, rara vez se da un pensamiento profundo por ambas organizaciones más pequeñas y más grandes. Estructura informal por sí mismo no es ni bueno, ni malo. Lo hace, sin embargo, en muchos aspectos influyen en el bienestar y la eficacia de la organización y el individuo: Estructura informal puede, por ejemplo, dar rienda suelta a una acción decisiva en crisis y turbulencias. La mayoría de las organizaciones se dedican poca energía para su estructura informal, de manera sistemática, a pesar de que siempre hay un «tick» a través de ellos y de la cantidad de energía se emplea en ellos de diversas maneras.

 

 

Los sistemas complejos tienen presencia o participación de los seres vivos. Ellos son sistemas vivientes – es por eso que pueden cambiar en cualquier momento. Tales sistemas sólo son observables externamente , por tanto, no controlables. Un comportamiento de los sistemas complejos es no predecible. Es natural que exista un nivel de error, la incertidumbre y ilusión de que es mucho más alto que en los sistemas complicados. Un sistema complejo puede poseer elementos que pueden operar en formas estandarizadas, pero su interacción estaría en constante cambio, de manera discontinua, lo que haría que muchas de sus partes dejaran de ser estandarizadas, prescriptivas y pasaran a ser abiertas, inclusiva y ubícuas….

 

 

En la complejidad, la cuestión no es cómo resolver un problema, sino que, como, donde, con quien se puede hacer. Lo que importa ahora, por lo tanto, son las personas las personas con ideas. La resolución de problemas en un sistema de vida, toda una cultura, un paradigma. La resolución de problemas en un sistema vivo, la complejidad puede no ser gestionada, ni se reduce, puede ser confrontada con las innovaciones de las personas, …
En la complejidad, trabajando en partes separadas no mejora el todo, por tanto introduciremos trabajar el todo a través de la DIVERSIDAD y aportando a este todo precisamente su valor más importante, precisamente esta DIVERSIDAD y eso lo hacemos en la Educación a través de la INCLUSIÓN.

 

 

La estructura informal se ha vuelto más popularmente conocida desde el auge de las REDES SOCIALES. Puede ser asignada como «nubes» de individuos interconectados, con diferentes números de enlaces a otros – la colocación de las personas, ya sea en posiciones periféricas centrales o más en la nube.

La segunda estructura: Estructura de Creación de Valor La segunda estructura de una organización es la estructura Creación de Valor. Dado que las organizaciones de cualquier tipo tienen que crear valor y cualquier organización que no tenga podría dejar de existir. Es a través de la estructura de creación de valor que valoran los flujos desde el interior hacia el exterior, desde el centro a la periferia. El VALOR está aquí, en la periferia, en los BORDES, nunca en el centro.

 

 

La transformación de las ideas en la creación de valor externo también ocurre dentro de esta estructura: Es un papel realizado en el Centro. Cuando los miembros de una organización INNOVAN es ciando precisamente llevan a cabo estas acciones…. Curiosamente, sin embargo, la estructura de creación de valor no es ampliamente entendida en muchas organizaciones (es decir, la INNOVACIÓN se entiende como algo que da vida a las organizaciones, cuando lo que hace es perpetuarlas en el tiempo, pero siempre las FORMALES, su trabajo nunca puede llevarse a cabo en las INFORMALES), rara vez se ha diseñado de forma sistémica, y la mayoría de las veces no se invierte en forma sistémica – , eso si, mejora los SISTEMAS, por supuesto.

 

 

Estructuras creación de valor – en consonancia con la teoría de sistemas – se pueden asignar como redes de células, que contienen equipos integrados funcionalmente, y que están relacionados entre sí por el flujo de valor, y las relaciones de comunicación. En la estructura, cualquier célula o bien crea valor para otras células de la red . Las células o equipos, responden a la demanda social, no jerarquíca. Estructura de creación de valor y flujos son, en muchas organizaciones, la tercera estructura de una organización.

 

La jerarquización que promovió Taylor hace más de un siglo funcionó durante una época, lo podríamos denominar, cultura, pero en los tiempos de las Inteligencia Artificial, internet, tal como sabemos no solo no es necesario, si no contraproducente. En los mercados dinámicos y complejos, sin embargo, de control y comando, aún perduran de manera activa y por tanto, tóxica tanto para el desempeño organizacional como humano, eso sucede especialmente en el mundo educativo que interactúan de acuerdo a unas leyes que emanan des de el vértice de la pirámide, de la jerarquía.

 

Y a pesar de todo la jerarquización controlada es todo un alarde de problemas, ya que necesita una gestión muy compleja y coordinada y ello produce resquicios, no solo dentro de su endógena estructura, si no entre las personas que lo realizan, lo que lleva a su dinamitación, algunas veces lenta y otras rápida.

 

 

Es en éstas organizaciones donde se dirimen las diferencias entre INNOVADORES Y DISRUPTIVOS, pero es a su vez donde pueden encontrar sus puntos de relación….

 

Aclarar que este concepto de la creación y el intercambio de conocimientos es muy complejo y aun a riesgo de generalizar lo que se ve como en una organización «sana» educativa, creo que vale la pena el tiempo para mirar brevemente  Nonaka y Takeuchi (1995 ) descripción de cómo se crea y se comparte el conocimiento .

 

 

Según ellos, la socialización implica compartir nuestras experiencias; la externalización se produce cuando podemos nombrar nuestro conocimiento tácito, cuando «intentamos conceptualizar una imagen» ; la combinación, se refiere a «la combinación de diferentes cuerpos de conocimiento explícito», o lo que en la información, conocimiento y experiencias desde una variedad de fuentes y la internalización, se puede considerar como «APRENDER HACIENDO» y la traducción de lo que es explícito en algo tácito y «aprendido».

 

 

También es cierto que si lo extrapolamos al mundo laboral-educativo, este “ambiente” no estaría sujeto a sistemas, leyes, normativas, currículos…lo que nos dará la máxima posibilidad creativa, personalizada y personal,…incluso será el “no lugar” el escenario adecuado para crear nuestros propios currículos…

Marc Augé, establece el término HIPERMODERNIDAD, un lugar en el que tenemos la sensación de estar dentro de la Historia sin poder controlarla. Es decir, se desarrolla a la vez una ideología del presente –porque el pasado se va muy rápidamente y el futuro no se imagina-, y este presente está siempre cambiando.

-¿Cómo se procesarán los datos provenientes de gadgets y dispositivos personales para optimizar el aprendizaje continuo y permanente (life long learnig)?

          -¿Cómo influenciará en nuestra conducta el conocimiento de los mecanismos de co-evolución y los límites de los ecosistemas?

-¿La infraestructura educativa será lo suficientemente «inteligente» como para auto-reajustarse, según las necesidades que cada individuo pueda desarrollar a lo largo de su vida y en diferentes contextos? (personalized learning)

-¿Las ciudades inteligentes podrán contribuir a reforzar la inclusión social y el sentido común de pertenencia a una comunidad? (smart cities)

 

 

 

La creación de conocimiento es valioso porque permite A una organización utilizar el conocimiento tácito colectivo de sus miembros para una variedad de propósitos: para capturar y enriquecer la memoria de la organización, para identificar, compartir y mejorar las mejores prácticas y compartir la responsabilidad para el aprendizaje y incluir múltiples perspectivas. Todos estos efectos pueden conducir a una organización para ser más eficaz, eficiente y productiva, en última instancia, en el logro de su propósito moral.

 

 

Es lo que nosotros en E-learning Inclusivo y EDUCACION DISRUPTIVA (learning is the work) definimos como el KNOWLEDGE y el LEARNING, se utilizan de manera diversificada, segun las EXCELENCIAS PERSONALIZADAS de cada persona, las cuales de esta manera aportan un valor añadido a las , comunidades, equipo, sociedad…que de manera UNIFORMIZADA-ESTANDARIZAD, es totalmente imposible.

 

 

Fullan (2014) señala que «Los líderes de una cultura de cambio se dan cuenta de que el acceso a conocimiento tácito es crucial y que dicho acceso no puede tener el mandato. Los líderes eficaces entienden el valor y el papel de la creación de conocimiento, que lo convierten en una prioridad y se dedicó a establecer y reforzar los hábitos de intercambio de conocimientos entre los miembros de la organización. Para ello se deben crear muchos mecanismos para que las personas participen en este nuevo comportamiento y aprendan a valorarlo »

La memoria o el conocimiento de la organización puede ser algo difícil de capturar. Procesos formales e informales dentro de una estructura general pueden recopilar información interna y externa. Sin embargo, a veces las organizaciones educativas pueden llegar a ser cargado con la tarea y la responsabilidad de almacenar su memoria – archivos, datos, resultados, informes, etc., a fin de rendir cuentas de su trabajo. Traduciendo que la memoria y el conocimiento en algo que puede beneficiar a la organización y sus miembros es un papel importante para que los líderes eficaces.

 

 

En una escala amplia, la creación y el intercambio de conocimientos permite a los líderes y miembros del equipo para identificar, compartir y mejorar las mejores prácticas que les permitan lograr el propósito moral de la organización educativa. «Los objetivos de [la gestión del conocimiento] son el aprovechamiento y mejora de activos de conocimiento de la organización para efectuar mejores prácticas de conocimiento, la mejora de los comportamientos organizacionales, mejores decisiones y mejorar el rendimiento de la organización» (King, 2009). Este apalancamiento y la mejora es muy complejo, porque las personas son las que aportan el conocimiento en la organización a través de los conocimientos y experiencias previas.

 

La organización en sí tiene un banco de conocimientos capturado por los archivos físicos e informes, la combinación única de los individuos dentro de la organización en un momento dado, el contexto y el ambiente que existe la organización, la evolución de la finalidad y la estructura de la organización a través del tiempo y el la percepción o la identidad (de marca) que la organización lleva a cabo con el mundo exterior. En una organización educativa sana, esta compleja red de conocimiento compartido por la organización y sus miembros es lo que impulsa a la organización hacia el éxito.

 

 

Una responsabilidad compartida para el aprendizaje y que incluye múltiples perspectivas es un componente integral de una organización educativa sana; esto significa también, implica, o incluso asume, que haya equidad entre los líderes y los miembros del equipo en compartir sus conocimientos. Propp (1999) escribe sobre la jerarquía de estatus de los grupos y hacer varios puntos importantes acerca de cómo se ve afectado el intercambio de conocimientos. Los líderes o miembros con mayor estatus en la organización por lo general tienen más oportunidades que los demás para compartir el conocimiento, esto es a veces debido a la naturaleza de su función o la estructura organizativa y los procesos que asignan más responsabilidad para los líderes y los miembros de mayor estatus para impartir conocimientos. Estos socios de categoría superior también tienden a tener sus ideas e intercambio de conocimientos con mayor facilidad recibidas, lo que aumenta el valor percibido de su conocimiento compartido y la probabilidad de que esas ideas a continuación, serán aceptados y utilizados por la organización.

 

 

La organización en sí tiene un banco de conocimientos capturado por los archivos físicos e informales, la combinación única de los individuos dentro de la organización en un momento dado, el contexto y el ambiente que existe la organización, la evolución de la finalidad y la estructura de la organización a través del tiempo y el la percepción o la identidad (de marca) podrá llevar a cabo una labor inclusiva, accesible y usable con el mundo exterior. En una organización educativa sana, esta compleja red de conocimiento compartido por la organización y sus miembros es lo que impulsa a la organización hacia el éxito…..

 

Los nuevos tiempos requieren de unas ecologías cada día más asequibles, más potentes, más adaptables a nuestras necesidades, necesitamos que formen parte de nosotros como algo usual, natural, que no tengamos que hablar continuamente de ellas, si no de nuestras necesidades, cuando consigamos esto, entonces habremos logrado estar preparados para desarrollarnos en cada momento y en cada situación.

En la sociedad de hoy hay dos coneptos 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 (como muy bien nos explica el profesor Fernando Saez Vacas), 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.

 

 

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…https://juandomingofarnos.wordpress.com/2012/09/09/las-tecnologias-somos-nosotros-y-el-valor-anadido-que-producimos/ Las tecnologías somos nosotros……Juan Domingo Farnós

 

 

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”….El Aprendizaje personalizado es una opción viable para la transformación de la actual era industrial, el sistema de administración de la línea de montaje de un sistema que permite a los alumnos y sacar el máximo partido de las tecnologías disponibles.

 

El sistema de la era industrial proporciona un mecanismo para que los estudiantes efectuaran el procesamiento de sus aprendizajes por lotes por razones de edad – se trata de un método basado en el de la producción de masas de tiempo y espacio. Un modelo de aprendizaje por empoderamiento nos permite personalizar la masade  aprendizaje para satisfacer las necesidades individuales de aprendizaje basado en lo que sabemos sobre la motivación y el aprendizaje de los estudiantes.Mediante las poderosas tecnologías de hoy en día para satisfacer las necesidades de aprendizaje personales de cada alumno cada hora de cada día.La realidad en la actual era de la información, es que ahora es posible para cualquier persona a aprender cualquier cosa, desde cualquier lugar y en cualquier momento en cualquier forma de los expertos de todo el mundo. (ubicuidad)

(juandon)

Universidad: el trabajo como consecuencia, no como finalidad!

juandon

 

La universidad debería actuar como un lugar de formación, de reflexión, sin ningún interés concreto. Por supuesto que entiendo que los jóvenes tienen que trabajar pero el trabajo debe ser una consecuencia, no una finalidad inmediata.

Esta es la desigualdad fundamental y por eso yo propongo esa especie de utopía en la que las personas puedan estudiar lo que quieran durante largo tiempo. Entiendo que alguien me diga que eso no es realista, pero podría ser real y dar paso a una realidad más justa, más plural y plena para todo el mundo… ¿una utopía?….

 

Pero si aprendemos cuando trabajamos y si trabajamos para por una parte aportar productividad, valor añadido y por otra, aprender durante toda nuestra vida (life long learning)…la pregunta es obvia..¿donde está la utopía?…

Es por ello necesario a comprensión de desaprendizaje y cómo podría ayudarle durante el cambio organizacional es una forma de abordar esta resistencia. Con todo ello el conocimiento crece, y al mismo tiempo se convierte en obsoleta a medida que la realidad cambia. Entendimiento implica tanto el aprendizaje de nuevos conocimientos y descartar el conocimiento obsoleto y engañoso » (Hedberg, 1981). El proceso de reducir o eliminar preexistentes conocimiento o hábitos que de otra manera pueden representar obstáculos formidables para el nuevo aprendizaje.» (Newstrom, 1983).  «Olvidar es simplemente el proceso mediante el cual las organizaciones  eliminan lógicas y comportamientos viejos y hacer espacio para los nuevos.» (Prahalad y Bettis, 1986).  «Olvidar es un proceso que muestra a la gente que ya no se debe confiar en sus creencias y métodos actuales» (Starbuck, 1996) «Construir nuevas ideas, nuevos pensamientos para llegar a una sociedad que quiere ser y estar» Juan Domingo Farnós

 

 

 

 

 

Encontraremos siempre factores que dificultan o ayudan al proceso de desaprendizaje en tiempos de cambio, incluyendo la comprensión de la necesidad de cambio, el nivel de apoyo de la organización y la formación, la evaluación del cambio, la experiencia positiva y de apoyo informal, la historia de la organización del cambio , perspectivas previas del individuo, y los sentimientos y expectativas de los individuos.

 

 

La Universidad, «¿puede o debe cruzar líneas rojas? (Educación Disruptiva)…

-Políticas.
-Económicas
-Socio-Educativas
-Learning is the work

 

 

Naturalmente lo haremos en base al futuro del empleo y de las «influencias de las tecnologías» en todos los actos de nuestras vidas, en construir otra sociedad, de cómo las nuevas organizaciones serán lideradas con planteamientos del pensamiento crítico…

No nos dejaremos la introducción del e-learning, movile learning, U-learning….dentro de los procesos que podemos emplear gracias a la computación ubícua, la robótica…

Generaremos sinergias transnacionales con propuestas concretas de como los Países Latinoamericanos y del Caribe se podrían organizar, financieramente, libre circulación de personas, materiles, dinero,…escenarios que se pueden realizar por medio de las tecnologías, la inteligencia artificial….

La sociedad quiere emerger  y como tal puede generar expectativas de mejora más importantes que otros continentes que ya han tocado «techo» y que ya no pueden innovar más porque nada funciona, solo pueden tirar «la casa» y construir otra.

En fin, estableceremos una narrativa-discursiva que implique a gobiernos, estados, instituciones educativas, económicas….

 

 

Junto con ello hablamos  de nuevas formas de política, de economía, de educación…pero nunca de nuevos sistemas, si no de sociedades abiertas, inclusiva y que puedan trabajar y aprender, no como «costos» que es de lo que hablan hoy empresas y universidades, sino de inversiones, de valor añadido, de una sociedad sostenible que con ayuda de las tecnologías no solo sea más «adaptable» sino también más humanizada.

 

Con todo ello seguiremos “impulsando la idea de que los aprendices son los responsables de su educación, de su evaluación…y el sistema pasa a un segundo plano para ayudar, colaborar…nunca para juzgar, eso ya pasó”.  Técnicas de gamification se esfuerzan por aprovechar los deseos naturales de la gente para socializar, el aprendizaje, el trabajo, la maestría, la competencia, el rendimiento, el estado, la auto-expresión, el altruismo…

 

Me falta entender… ¿como una RUTINA de normas establecidas (reglas del juego, que podríamos asociar al aprendizaje por medio de video-juegos)) que deben permanecer inamovibles, pueden hacer que los aprendices-trabajadores, encuentren su excelencia personalizada y así puedan aportar un valor añadido que si se hace de manera generalizada y estandarizada (todos por igual), nunca llega a conseguirse, tal como se viene demostrando durante las ultimas décadas..

En los dominios predecibles (formales), el conocimiento puede ser creado y aplicado para proporcionar un control. El aprendizaje que se asocia tradicionalmente con dominios predecibles normalmente se organizan jerárquicamente dentro de las instituciones centralizadas. Nos referiremos a él como el aprendizaje prescriptivo…

 

El aprendizaje prescriptivo, entonces, se basa en el conocimiento, que es pre-determinado para los alumnos y copiar y distribuir a gran escala a través de las escuelas y universidades tradicionales, a través de prensa y otros medios de comunicación, y a través de estándares de garantía de la calidad institucional…. Si todos estos factores están presentes, el aprendizaje emergente es posible, e incluso probable. Si no es así, sin embargo, la emergencia puede degenerar en guetos aislados virtuales, o “cámaras de eco” (auto-perpetúa y refuerza a sí misma enclaves), que pueden reforzar los prejuicios en lugar de producir la “sabiduría de la multitud” (Alakeson, Aldrich, Goodman,…).

 

 

Participamos compartiendo conocimiento. Las Tecnologías de la Información y la Comunicación, redes, comunidades e internet nos permite potenciar el verdadero trabajo en equipo. Trabajo + aprendizaje. No lo vamos a diferenciar. Construyen el conocimiento y lo transforman de manera individual junto con el trabajo. Juntan conocimiento adquirido con el aprendizaje y el trabajo. El proceso de trabajo y aprendizaje se funden. Uno es necesario con el otro.  El aprendizaje necesita del trabajo y viceversa. Por eso hay una tendencia de formación en abierto.  El resultado final es que son capaces de construir un nuevo conocimiento de manera diferente.

 

 
La emergencia no es una panacea, es una opción, y vamos a discutir lo que tiene que estar situado dentro – y preferentemente integrados dentro – una ecología global, el aprendizaje inclusivo, junto con el aprendizaje preceptivo cuando y donde proceda.

 

«En la Educación Disruptiva (aprendizaje abierto, inclusivo y ubícuo) en este momento es que en todos los sistemas educativos exitosos existen factores culturales, económicos y sociales externos a las escuelas que actúan como poderosos motores del alto rendimiento educativo igual a las que se encuentran dentro de los sistemas escolares»…¿sabéis de donde es esto? Y lo digo así porque se está realizando des de el año 2001 y no les va nada mal, se lo aseguro…..

 Des de una ortodoxia política de la educación no oficial que muchas instituciones formales, las corporaciones y los gobiernos pueden y de hecho adoptan, como su programa oficial en el desarrollo educativo. Este movimiento global incluye algunos elementos de bienvenida que han fortalecido el enfoque en el aprendizaje, la mejora del acceso a la educación para todos, e hicieron hincapié en la adquisición de conocimientos y habilidades que son relevantes en el mundo real, siempre de manera personalizada para buscar a través de ello, lo mejor para los demás (valor añadido)..Evidentemente, este movimiento no debe caer en la creencia de «EXCESO DE ÉXITO» y optar con ello a privatizar las cosas para sacar negocio, lo cuál les aseguro que está sucediendo en países como Australia, USA, Reino Unido…..por tanto se vuelve a caer en el «dominio» de unos pocos sobre los demás—-lo que la educación formal ha sido también durante toda su existencia….eso se llama PERVERTIR EL SISTEMA.

 

Juandon

 

 

 

 

Jenny Mackness y Juan Domingo Farnos : personalización/personal

juandon

Estos día hemos tenido un feedback muy intereresante entre mi amiga JENNY MACKNESS, una amiga comun con Stephen Downes y yo mismo, sobre los términos PERSONALIZACIÓN Y PERSONAL, a raiz de un post suyo que hablaba de una Conferencia de Stephen en Estambul, que tanto ella como yo seguimos (yo personalmente en directo) sobre estos dos términos que siempre comento sobre las discrepacias o «diferentes maneras de ver» que tenemos Stephen Downes y yo mismo y que venimos expresando des de nuestro ya nombrado debate en Caracas (Venezuela).

 

El post de Jenny: https://jennymackness.wordpress.com/…/nrc01pl-personal-le…/…‪#‎NRC01PL‬ Personal Learning MOOC Week 3

En nuestro feedback estábamos en :

juandon
Le digo a mi amiga Jenny Mackness, que personalizado es que te den hechas las cosas: contenidos, estrategias, evaluaciones….nada mas lejos de la realidad, personalizado quiere decir que tu eres el responsable de lo que tu vas a aprender y que tu diversidad será respetada (ahora por el sistema y después por la sociedad abierta, inclusiva y ubícua), mientras que personal es equivalente a individual, por tanto, una vez más, entendiendo lo que quiso decir Stephen Downes en Estambul, lo digo porque lo seguí, es una dicotomía “confundida” en su semántica, como en su día comenté…

Juan Domingo Farnós Miró @juandoming)

jennymackness
Hi Juan – sorry about the delay in replying. My understanding of Spanish has been really challenged Emoticón smile You should see what Google translate gives me. Not helpful! Fortunately I have been able to talk to a Spanish speaking friend, which has been fun.

Anyhow I’m still not sure that I have fully understood you, but I think what you are saying is that personalized and personal are confusing terms and they do seem to be. A friend I was talking to was convinced that they meant the opposite to Stephen’s definitions and I have been having an interesting discussion on Twitter with Viplav Baxi about whether personal and personalized are a dichotomy or duality.

In a quick Google search I found this site –http://profiles.arts.monash.edu.au/…/personal-vs-personali…/ – which seems to suggest that its common to find these terms confusing. For me, I understand them as Stephen has explained them, but I suspect that personalized is used differently in different contexts and maybe even in different languages, so that’s maybe where the confusion lies.

I bet I still haven’t understood the point you have been making, but I have enjoyed receiving your comments in Spanish. I’m just sorry that I can’t reply in Spanish. I’m very happy to receive more comments in Spanish if you have any Emoticón smile

Jenny

(por resumirlo)

 

Con lo que mi contestación última, y que escribiré en un post , ha sido la siguiente:

juandon

Martin Weller nos habla de que PERSONAL/PERSONALIZACION es el mismo proceso de aprendizaje, el ve que de personalización en el aprendizaje a menudo hablamos en el plano del recurso, de tecnología, que bien podria ser de manera automatizada, por supuesto.

Personalización puede ocurrir dentro de un programa de estudio, escogiendo diferentes curso con diferentes ‘personalidades’. Dentro de un programa de grado, dicen, puede que tenga algunos cursos básicos, relativamente tradicionalmente estructurados, pero luego hay opciones que podemos eligir basados no en su contenido, pero si en su enfoque.

Por supuesto que tenemos un alto grado de modularidad y opcionalidad en titulaciones , pero normalmente es alrededor del contenido (quieres estudiar lingüística o la filosofía como su primera opción de año en Psicología).
Pero educación abierta, sí me refiero a MOOCs, pero también otras opciones, significa podemos estar inmersos en el mismo tema, pero con enfoques diferentes . Aquí la elección podría ser más “quieres estudiar el enfoque creativo, colaborativo para estadísticas …a tu ritmo?

Estas personalizaciones pueden animar a los educadores a crear cursos con variedad, en lugar de uniformidad, porque bastante gente le gusta ese enfoque. Y también refuerza la importancia del educador humano, o por medio de Inteligencia artificial en el proceso y dar cursos que los estudiantes pueden relacionarse en una mezcla. También podriamos experimentar en cursos con diferentes enfoques….

Sinceramente creo que parte de una premisa que nosotros no contemplamos ya que lo entendemos como algo que se OFRECE cada persona por una parte y una serie de actuaciones que permiten que se busque la EXCELENCIA PERSONALIZADA de cada persona y es precisante en esto donde si se asemejoan y mucho, ya que lo podríamos entender como RECURSOS.

Con la creación de nuevos escenarios de aprendizaje queremos trazar un nuevo método de abordar el diseño y la dirección de los ambientes de aprendizaje, e investigar qué método intenta comprender los procesos de aprendizaje en sus ambientes.

El método lo basaremos en los recursos intelectuales- conceptos, investigaciones, etc -de la ciencia cognitiva, la psicología del aprendizaje de los estudiantes, el desarrollo del curriculum, la tecnología educativa, el diseño del proceso de comercialización de las ideas y la ingeniería de software en la formulación de este nuevo método.,,,que nos conduzcan a llegar a cada persona en aquello que pueda no solo destacar más (la meta en esencia) sino que le permitan realizar las cosas de manera diferente a cualquiera (huella).

Aprendemos con los procesos de aprendizaje de los demás mediante el análisis de ruta de aprendizaje personal y social. Al mismo tiempo, el mecanismo de aprendizaje tecno-social personalizado nos permite que el aprendiz aprenda de acuerdo a su situación y objetivos.

“El aprendizaje personalizado”, propio e implícito en nuestros estudios y prácticas reales, se puede llevar a cabo donde, cuando y cómo se quiera, por lo que las modalidades formales, no formales, informales, en vez de estar segmentadas como hasta ahora, ya se “mezclan” entre si, con lo que el concepto de lo que conocemos por EDUCACIÓN, cambia radicalmente (germen de la Educación Disruptiva).

Con todo ello seguimos investigando y aportando nuevas maneras de entender y hacer las cosas, incluso empleando pedagogías comparadas, tanto de buenas como de malas prácticas, como por ejemplo en la utilización de elearning por las universidades, otras organizaciones profesionales…, formulando un documento que etiquetamos como : Bases para un e-learning-inclusivo (2004-2005) de Juan Domingo Farnós, que se ha propagado por latinoamérica y el caribe y otros lugares de Europa, Canadá y estados Unidos y por lo que hemos podido saber, por Asia.

Entramos en una época de fronteras porosas entre la inteligencia humana y la inteligencia artificial (con razón llamamos “inteligencia artificial”). Necesitamos puruebas para decidir si una entidad es humana 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.

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, es aqui donde nos a sociamos a los planteamientos de WELLER, ya que nos conduce a planteamientos de aprendizajes únicos per osiempre relacionados con los de los demás.

Podríamos pensar que la capacidad ADAPTATIVA de los ALGORITMOS, puede llevvarnos por diferentes pasos, uno seria de semi-pasividad pero de alguna manera nos conduciria siempre a APRENDIZAJES-IMPULSADOS.

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 lo cual hara que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico.

¿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?.

Aprendemos con los procesos de aprendizaje de los demás mediante el análisis de ruta de aprendizaje personal y social. Al mismo tiempo, el mecanismo de aprendizaje tecno-social personalizado nos permite que el aprendiz aprenda de acuerdo a su situación y objetivos.

Una ruta de aprendizaje individual lo podemos modelar para registrar su proceso de aprendizaje. Por tanto, el espacio de aprendizaje personal (PLE), sera siempre un espacio no lineal…, es en esta situación donde el pensamiento crítico actua de manera determianante, para manifestarse capaz de deducir las consecuencias de lo que cada uno sabe, y sabe cómo hacer uso de la información para resolver problemas, y buscar fuentes de información pertinentes para aprender más…

Te puedo decir también que el aprendizaje con algoritmos clásico es personal (Pierre Levy) ya que busca patrones y en mis conversaciones con el investigador argelino le hablé de ALGORITMOS PERSONALIZADOS (aplicaciones) como elementos básicos para encontrar un aprendizaje inclusivo, abierto y ubícuo (Juan Domingo Farnós) base de la EXCELENCIA PERSONALIZADA :

http://hackeducation.com/2015/10/22/robot-tutors/#__scoop_post=336525b0-798b-11e5-ed4e-842b2b775358 The algoritmic future of education by Audrey Watters

La educación es la tecnología, a pesar de muchas de nuestras esperanzas de algo más, algo realmente transformacional, a menudo una herramienta diseñada para cumplir con los objetivos administrativos. Audrey Watters.

https://juandomingofarnos.wordpress.com/…/julian-stodd…/ Julian Stodd “secuestrado por la tecnología” & Juan Domingo Farnós y “la tecnología somos nosotros”!

http://juandomingdisruptive.blogspot.com.es/…/las-tic… LAS TIC SON ALGO NATURAL A LA SOCIEDAD, un recurso más… Juan Domingo Farnós Miró

http://juandomingdisruptive.blogspot.com.es/…/las-tic… Las TIC, condicionan la cognición del aprendizaje! De Juan Domingo Farnos

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)….

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

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

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.

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

La 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.

Con todo ello, la principal diferencia y la clave `para entender la diferencia entre PERSONAL (individual) y PERSONALIZADO, hay que recurrir a “mi” “EXCLENCIA PERSONALIZADA en cualquier proceso de aprendizaje, presencial y/o virtual, visto todo lo anterior https://juandomingofarnos.wordpress.com/2013/07/08/la-excelencia-personalizada-conducira-a-un-cambio-obligado-en-la-educacion/ La Excelencia personalizada, conducirá a un cambio obligado en la educación! By Juan Domingo farnos

Si bien con ELEARNING, somos capaces de articular un aprendizaje más personalizado (de ello hablare en mi conferencia el jueves dia 26 de noviembre en la Universidad Santiaguista en Venezuela, entre otros aspectos de elearning, no es menos cierto, deberemos tener en cuenta para ello aspectos inclusivos como que sea a su vez capaz de romper cualquier tipo de brecha existencia y poder buscar y llevar a cabo la excelencia personalizada de cada uno de los aprendices y siempre basándose en un cambio profundo de roles en los mismo, como hasta ahora nunca se han visto… Empezaremos por el mismo diseño instruccional que llevaremos a cabo con Elearning, donde el mismo solo se podrá entender si es realizado en base a responsabilidades de los aprendices y en el cual las ORGANIZACIONES, sirvan de acampañamiento y colaboración/cooperación en los mismos.

Entenderlo de otra manera sería falsear el aprendizaje con ELEARNING, en las nuevas maneras de entender el aprendizaje. (Des de aqui hablar a las universidades, especialmente a las VIRTUALES, que o se hace asi o se subvierta la verdad y el sentido de “ser” que pueden ofrecer como “distintivos” de su propia realidad. En pocas palabras, “seguir realizando el ELEARNING, en base a planteamientos típicos: LMS, Diseño Instruccional realizado por la propia organizacion que ofrece el elearning….es llevar a los “alumnos” al mismo puerto que estaban anclados los barcos de antaño, esa es la verdad”… Incluso seguir las indicaciones del propio CONECTIVISMO, es hacerlo por la senda de “PATRONES DE APRENDIZAJE” llevados a cabo por experiencias propias y de otras, por lo que la personalizacion de los aprendizaje no se entienden de ninguna manera (lean BASES PARA UN E-LEARNING-INCLUSIVO, los que aun no lo haya hecho y veran unas duferencias enormes, entre pasado y presente-futuro, lo cual impedirá a su vez la INCLSUSIVIDAD=brecha+excelencia personalizada)…

Incluso los postulados de TONY BATES, pueden llevar a muchos a la confusión con lo que nosotros preconizamos:http://www.tonybates.ca/…/another-perspective-on-the…/…

la personalización en la educación post-secundaria:

.La necesidad de desarrollar una amplia gama de conocimientos y habilidades en los estudiantes para el siglo 21; ya que el sistema se ha ampliado, por lo que tiene la diversidad de los estudiantes: la edad, la capacidad de lenguaje, aprendizaje previo, y los intereses;
una amplia gama de modos de entrega para los estudiantes para elegir (campus, mezclado, totalmente en línea);

.Una gama más amplia de los medios de comunicación accesibles no sólo a los instructores, sino también para los propios alumnos;
.La necesidad de participar activamente una gama muy amplia de estilos preferidos de aprendizaje, intereses y motivación.
Es evidente que en un contexto como un solo tamaño no sirve para todos. Pero con un sistema de post-secundaria en continua expansión y más presiones sobre los profesores e instructores, ¿cómo podemos hacer el aprendizaje más individualizado de manera rentable?

Creo que se contradice en muchos aspectos, en algunos pide la PERSONALIZACION y en otros la coarta de todas todas. Eso sucede con muchos estudiosos de ELEARNING, creo que quieren llevar a cabo lo que les hemos comentado y ecplicado, pero en el momento de plasmarlo en ESCRITOS, IMÁGENES, AUDIO-VIDEO, dicen todo lo contrario. Lo hacen seguramente porque no se dan cuenta de lo que están haciendo o del propio significado que quieren darle…..(intentaremos aclararlo el dia 26 de Noviembre en la Universidad Santiguense..)

Si queremos establecer dentro del mismo ELEARNING un estado completamente divergente y por tanto de confrontación, lo podemos hacer dentro del ámbito colaborativo Y principalmente COOPERATIVO, mucho mas motivador y creativo, totalmente necesario para nuestros planteamientos,, con lo que las personalizaciones de cada uno se enfrentan con la colectividad del equipo, una claro ejemplo de DISOCIACIÓN de IDEAS, dentro de un mismo objetivo común…

La psicología social nos indica que esta confrontación de ideas, de pensamientos y de visualización de las mismas, nos lleva a un aprendizaje con mayor potencialidad, por parte de todos.

Bajo este enfoque, la colaboración/cooperación se basa en las interacciones sociales de confrontación, el intercambio, el intercambio y la negociación, que provocan en la persona interrogada y estimulan el aprendizaje aún más en el contexto de la consecución de un actividad colectiva.
Debe haber desacuerdo entre la vista (conflicto) y que este desacuerdo se supera para alcanzar una nueva respuesta que será común, pero DIVERSA, siempre, por lo tanto, PERSONALIZADA. Durante este enfrentamiento, un primer desequilibrio interindividual aparece en el grupo, ya que cada persona en el grupo debe hacer frente a puntos de vista contradictorios. Ella se da cuenta de su propio pensamiento de la de los demás (ESO ES LA DIVERSIDAD de Juan Domingo Farnos, la búsqueda del EXCELENCIA PERSONALIZADA).

Esta descentración cognitiva provoca desequilibrio en su segunda naturaleza intra-individual: ella se ve obligada a reconsiderar su vez, sus propias actuaciones y las de los demás para reconstruir nuevos conocimientos. Esto se llama progreso cognitivo si la resolución del conflicto generado por este doble desequilibrio le ha permitido adquirir o desarrollar nuevas habilidades cognitivas y sociales. Por lo tanto, esta teoría ayuda a explicar, en parte, los efectos de la colaboración de confrontación en la construcción del conocimiento individual. En parte debido a este enfoque de colaboración no se basa únicamente en la comparación de puntos de vista divergentes., sino también en otros tipos de transacciones, como la adaptación mutua, la negociación o la deliberación.
Por otra parte, la teoría del conflicto socio-cognitivo y la perspectiva transaccional de la acción tienden a unirse para decir que la cooperación adversarial fomenta el aprendizaje a nivel de grupo.

El grupo integrado como una experiencia colectiva que le permite alcanzar un objetivo: resolver una situación problemática. Este experimento requiere el grupo para definir los términos y funcionamiento de la colaboración y la adopción de un método de resolución de problemas, tales como la práctica de la investigación. Ella también lleva a probar los resultados de este enfoque y de evaluarlos. Tal enfoque es en esencia formativo, aunque en nuestra iniciativa seimpre tendremos presente aspectos COOPERATIVOS y por tanto IMPREDECIBLES, DIVERGENTES, sujetos a constantes mutaciones no solo de aprendizajes si no de sus acciones para ejecutarlo.

La presencia sociocognitiva da resultados de e-learning, que creemos que existe entre los APRENDICES , a pesar de que estan de manera localizada transacciones, se unen para resolver una situación problemática, trabajando juntos de forma remota a través de herramientas de comunicación web síncronas o asíncronas MULTICANAL.Esta agrupación puede ser espontáneo o inducido por el facilitador del elearning, en EL VIEJO ELEARNING, EN ELEARNING 2.0 DE DOWNES O EN EL PROPIO CONECTIVISMO, NUNCA CON ELEARNING INCLUSIVO (Juan Domingo Farnos-2004.) Las transacciones entre el grupo los alumnos se manifiestan en actividades conjuntas y forma común durante el reconocimiento- práctica.

Esta práctica de investigación implica cuatro etapas distintas (Dewey, 1938):
La definición del problema…
(1), la determinación de una hipótesis para resolver el problema
          (2), pruebas de esta hipótesis
          (3), el hallazgo
          (4). Por lo tanto, la práctica de investigación se basa en una situación “permanente”, es decir, confusa, inesperada o inusual.

Cuando los aprendices se reúnen para resolver una situación problemática, cada una de las cuatro fases de la práctica encuesta requiere transacciones entre esos APRENDICES (Dewey y Bentley, 1949); es decir, expresar sus diferencias, comparten sus puntos de vista, ajuste mutuo, negociar y deliberar en conjunto para definir el problema, formular hipótesis y elegir una resolución, el experimento y la conclusión de los resultados este experimento. Tales transacciones muestran que están involucrados en un proceso de colaboración adversarial.A la luz de todos estos factores, podemos caracterizar la presencia socio-cognitivo de la siguiente manera:

La presencia cognitiva social en los resultados de aprendizaje electrónico de las transacciones existentes entre los alumnos que están geográficamente distantes, tienen que ser resueltos en forma conjunta y una situación problema común( pero es obvio que no de manera estandarizada, sino personalizada).
Las transacciones son las interacciones sociales de confrontación de puntos de vista, la adaptación mutua, negociación y deliberación que reflejan una colaboración remota entre los estudiantes en un espacio de comunicación digital. Esta presencia socio-cognitiva ayuda a promover el desarrollo de una comunidad de aprendizaje en línea. (investigacion en los “no lugares” de Marc Auge…

Si bien una de mis hipótesis de estudio son los “no lugares” de Marc Augé y su relación con internet, es cierto también que podemos encontrar algunas lagunas “epistemológicas”, el propio Maximiliano Korstanje, nos comenta que los lugares no tienen una especifidad propia para definirlos como ubicaciones propias de los indivíduos y/o su pertinencia a uno de estos espacios…

Si un LUGAR representa tener unos “derechos” entonces, internet si lo consideramos un NO LUGAR, se moverá entre una línea difusa, entre el derecho/el no derecho…evidentemente nosotros optamos por los no derechos, o lo que se entendería mejor, el DERECHO DE TODOS, sin distinción.

También es cierto que si lo extrapolamos al mundo laboral-educativo, este “ambiente” no estaría sujeto a sistemas, leyes, normativas, curriculums…lo que nos dará la máxima posibilidat creativa, personalizada y personal,…incluso será el “no lugar” el escenario adecuado para crear nuestros propios currículums…

Marc Augé, establece el término HIPERMODERNIDAD, un lugar en el que tenemos la sensación de estar dentro de la Historia sin poder controlarla. Es decir, se desarrolla a la vez una ideología del presente –porque el pasado se va muy rápidamente y el futuro no se imagina-, y este presente está siempre cambiando.

Marc Augé “la universidad tendría que ser un lugar de formación, de reflexión, sin ningún interés concreto. Por supuesto que entiendo que los jóvenes tienen que trabajar pero el trabajo debe ser una consecuencia, no una finalidad inmediata. La universidad no es el espacio para aprender un oficio. Para eso ya están las escuelas profesionales y esas las hemos reservado a las clases pobres con la orientación cada vez más precoz.

Esta es la desigualdad fundamental y por eso yo propongo esa especie de utopía en la que las personas puedan estudiar lo que quieran durante largo tiempo. Entiendo que alguien me diga que eso no es realista, pero podría ser real y dar paso a una realidad más justa, más plural y plena para todo el mundo… una utopía”

Los “no lugares” permiten entender mucho mejor los posicionamiento DISRUPTIVOS, de eso no hay la menor duda…
Sinceramente creo, contrariamente a muchas investigaciones llevadas a cabo, como por ANDERSON (2003) que considera que la manera asíncrona es la que produce más confort, personalmente creo que este abandono del confort, este cruzar las lineas rojas y atreverse a disentir, proporciona un mayor aprovechamiento de elearning, y por tanto la manera síncrona, como más directa, es siempre mejor.
La teoría del conflicto socio-cognitivo cuando se hace hincapié en que lo cognitivo-centrado se facilita cuando los estudiantes perciben como confrontación constructiva para sí mismos y para los demás, si bien es difícil cuando viven sus desacuerdos ataques personales o contra otros…

Se habla de todo el marco teórico, cómo una implementación del E.learning-clásico y de la Escueal 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 explicar.
Vamos a establecer un diseño de investigación, al fin y al cabo, , 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.Para ayudar a concretar el perfil de usuario y contexto de utilización proponemos trabajar sobre las siguientes cuestiones:

1. El problema: Plantear el motivo que nos lleva a propuesta nuestro entorno de formación, en forma de necesidades formativas o propuesta de mejora
2. Contexto en el que se utilizar el entorno:
a. Es un contexto de enseñanza formal reglada, informal; formación permanente; no formal, informal,..
b. Cuál es la función principal del entorno: distribuir cursos de formación, recursos, novedades, poner en contacto a un determinado colectivo,…
c. En un contexto de enseñanza a distancia, semipresencial , presencial
d. Cuál es la cobertura geográfica -local, universal- esperada
e. En qué modelo de enseñanza-aprendizaje potencia el entorno?
f. Cómo afectará la introducción de las TIC en ese contexto: aspectos organizativos, personales, didácticos, tecnológicos,…

Usuarios: Una de las tareas más importantes es definir lo mejor posible el perfil o perfiles de usuario al que nos dirigimos. Lo que diferencia a un creador de materiales amateur de un profesional es que el primero piensa en su material el segundo en los destinatarios.

a. Edad. Nuestro entorno va dirigido a niños, jóvenes, adultos? Existen diferencias en el nivel de madurez de los usuarios potenciales?
          b. Perfil de usuario: profesionales, padres, alumnos
          c. Intereses. Qué buscarán en nuestro entorno: formación, recursos, compartir ideas, publicar material,…
          d. Conocimientos previos
          e. Habilidades cognitivas, grado de motricidad,… de los usuarios de nuestro entorno

Os hago constar que los puntos que señalamos son orientativos y puede ocurrir que en algunos proyectos sean coherentes y centrales y en otros no sean relevantes. Queda siempre a nuestro criterio. creativo.

Esta segunda fase del E-learning-Inclusivo, ya nos manifiesta el cuerpo de la investigación en si, des de su contextualización, objetivos, soluciones que aporta, diferentes roles, usuarios a los que va dirigidos y tipos de formación que preconiza, aprendizajes que quiere llevar a cabo, incluso pruebas que ya ha llevado a cabo…E-LEARNING-INCLUSIVO, es una investigación con una plataforma de trabajo en la que ya colaboran muchas personas y organizaciones del mundo encuadrada en https://juandomingofarnos.wordpress.com , la cuál pretende establecer los cauces de una transformación en los aprendizajes basados en los Usuarios, en la democratización de la brecha digital y en una alfabetización digital de la sociedad.
E-learning-Inclusivo, pretende crear y diseñar escenarios de aprendizaje con nuevas Tecnologías Educativas, dentro y fuera de la Escuela, haciendo una Educación inclusiva, por tanto personalizada al usuario y a su vez colaborativa, ya que este es el único medio de innovar y progresar hoy y mañana, “conectados en red”.

Todo un proceso, NUNCA UNA META NI UN FIN, si entendemos esto, llevaremos a cabo un ELEARNING propio del siglo XXI, ¿o no?…Juan Domingo Farnos

JENNY: Ya se que es todo un tratado, fruto de una investigación de ya 16 años, pero creo sinceramente que es la base del cambio de una SOCIO-EDUCACIÓN, que va mucho más lejos que cualquier innovación, que cualquier MOOC, incluso que los cMOOCs, que determina un antes y un después de una sociedad y su educación y que va más lejos que el CONNECTIVISMOS (y su explicación-MOOCs) queriendo ser una transformación culturaral, de mentalidad, de valores de la sociedad, para llegar a otro paradigma des de donde conformar nuestra manera de vivir, algo que por su falta de “PERSONALIZACIÓN” precisamanete del CONECTIVISMO (este no tiene ni INCLUSIÓN, ni PERSONALIZACIÓN) no puede llegar ni a la sociedad, ni a la educación, como una auténtica disrupción.

JUAN DOMINGO FARNOS (@juandoming)

Algoritmos personalizados: el final de los patrones de aprendizaje! (Educación Disruptiva)

juandon

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»….

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

»

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

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

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

Estamos hoy en la clase difusa del pensamiento calculador y comparaciones cuantitativas insta a que el utilitarismo, tal razonamiento no se basa en el trabajo de visibilidad a hacer. Más bien, eso depende de algoritmos de análisis, qui a su vez depende de la presa de los algoritmos silenciosos –los que convierten en silencio nuestro comportamiento en una avalancha de datos. (son la 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)….

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

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

Se transforman variables, por ejemplo, al remplazar los valores originales por 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….

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

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

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

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

INCLUSO DENTRO DE UN PROCESO transversal y multidisciplinar, para lograr nos lo eso, sino una autonomía en los aprendizajes y una 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.

http://www.pearson.com.ar/pte.php
http://thenewinquiry.com/…/the-algorithm-and-the…/ The Algorithm and the Watchtower
By Colin Koopman
Vagale, Vija “ERSONALIZATION OPPORTUNITIES IN THE MOODLESYSTEM” http://www.academia.edu/…/PERSONALIZATION_OPPORTUNITIES…

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

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

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

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

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

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

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

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

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

“Vamos ya a aprender dirante 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 plantemaineto que no sabíamos ni podíamos superar, ahora el estaticismo de aprender de manera controlada, unifrorme, 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 acomodrse a esta nueva manera de entender la vida que ya está aquí, pero estamos “suscribiendo” las maneras de llegar a ello”.

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

Del Mastery Learning al Personalized Learning! (Educación Disruptiva)

juandon

Voy a diferenciar  lo que se entiende por el aprendizaje de Maestría (MASTERY LEARNING), y el PERSONALIZED LEARNING, donde si hay un cambio en las responsabilidades, por lo que en el hecho de que el estudiante recibe su enseñanza-aprendizaje, se debe más a la instrucción y no necesariamente la falta de capacidad de su parte. Por lo tanto, en un ambiente de aprendizaje de dominio, el desafío se convierte en proporcionar tiempo suficiente y el empleo de estrategias de instrucción para que todos los estudiantes pueden lograr el mismo nivel de aprendizaje….con la personalización del aprendizaje con plena responsabilidad del aprendiz.

La verdad es que sigo enfrascado en que el análisis de cualquier aprendizaje se hace para ver las necesidades, las potencialidades, las fortalezas, debilidades y sobretodo, las intenciones que tienen cada alumno de manera personalizada, y poder establecer un proceso de Pensamiento de Diseño que les ayude a aprender a aprender, esto como primer planteamiento, y después para que lo puedan implementar en el mundo laboral, o eso debería ser, …pues bien…

Releyendo a Stphen Downes  en http://halfanhour.blogspot.com.es/…/non-web… Half an Hour: Non-Web Connectivism, y a George Siemens en http://blogs.netedu.info/…/11/03/on-connectivism-learning/ On Connectivism & Learning | Skate of the web, me encuentro también con estos mismos dilemas, con el MASTERY LEARNING, que está más dentro de la línea conectivista de la individualizacion y posterior aprendizaje en red y la personalización del aprendizaje con plena responsabilidad del aprendiz que se encuentra de lleno en el APRENDIZAJE ABIERTO, INCLUSIVO Y UBICUO (Juan Domingo Farnon)..

Los primeros no aceptan ni las competencias ni las czpacidades mientras que los segundos estamos plenamente identificamos y trabajamos con ellas, eso si, no como finalidades sino como procesos.

 ERIK DUVAL, en sus investigaciones sobre la ANALÍTICA DE APRENDIZAJES.…volvemos a las nuestras propias con las interacciones del usuario en forma de los llamados metadatos de atención. Mediante la visualización de estos datos, proporcionamos cuadros de mando que permiten a los usuarios dirigir sus actividades en un “yo”.

Si lo cuantificamos”, sería lo lo que siempre hemos denominado tipos de caminos, ultimamente, aprendizajes PERSONALIZADOS, tanto en ellos, como en las posibles investigaciones que realicemos. Por otra parte, también  nos sirven en la utilización diversificada de recursos, actividades y por qué no, en los sujetos de aprendizaje… las personas.

Debemos entender y diferenciar entre el analisis de los aprendizajes y los análisis académicos, ya que esto conduce en buena parte al fracaso de muchos aprendices, especialmente en la universidad, ya que la institución apuesta por el análisis academico con lo que asi no pierde su cuota de poder y su caracter finalisata junto con los constantes procesos de instruccion de lo que ellos llaman personalizacion, cuando realmente lo que es el Mastery learning es una mera individualizacion reforzada con una retroalimentación CONTINUADA EN EL TIEMPO, eso le permite la entrega o no de titulaciones, mientras que el analisis de aprendizajes se deja de lado por ser un PROCESO y no una finalidad.

La marea del progreso tecnológico está erosionando rápidamente entornos de aprendizaje tradicionales y la construcción de otras nuevas. Como las TIC continuará mejorando y la caída de los costos, los ambientes de aprendizaje existirán siempre y los aprendices podran elegir lo que ellos desean ser.

Las aulas evolucionarán hacia comunidades abiertas, flexibles, centradas en el alumno El alumno del futuro construirá el conocimiento que es importante para él o ella como individuo o como parte de una red construida socialmente, navegara a través de problemas mal estructurados con un compañero o como parte de un grupo. Estos espacios, ya sean físicos o virtuales, proporcionarán una población diversa con un entorno seguro para explorar compartir y aprender, siempre a partir de lo que cada uno de ellos haran y de lo que recibirán como parte de su HUELLA UNICA, para asi dar a la comunidad su parte de valor añadido que se sumará a la de los demas, conformando comunidades abiertas dentro de una sociedad muticanal y multisocial.

Si realizamos un adecuado analisi de aprendizajes y en ello incluimos el de la WEB, entraremos en Iniciativas que estos
diversos análisis permitirán a las instituciones y los administradores implementar estratégias e iniciativas que permitan personalizaciones para satisfacer las necesidades específicas de aprendizaje.

Los algoritmos subyacentes y parámetros que impulsan la recolección y presentación de datos se pueden modificar para refinar la estratégica centrarse con el fin de establecer y poner en práctica las intervenciones según sea necesario.

Los datos recogidos se combinan con técnicas estadísticas identificar y describir las tecnologías y los métodos utilizados, analizar y evaluar el impacto de las actividades …

Planes ,pruebas y predecir comportamientos que pueden integrarse en un proceso formativo y también profesional, acorde con el mundo académico y laboral (learning is the work).

El reto se convierte entonces en cómo extraer datos significativos de variada y dispares fuentes, lo que nos lleva a no tener porque utilizar los LMS y apostar por un aprendizaje completamente abierto, personalizado y socializador…

En cualquier sistema de evaluación, si las pruebas estandarizadas o de análisis del aprendizaje, existe el peligro real de que el objetivo se convierte en el objeto de aprendizaje, en lugar de la evaluación del aprendizaje “

Es por todo ello que el aprendizaje producido y desarrollado en la red es tan importante, porque cumple con las dos premisas para mi más importantes:

1-Aprendemos de manera libre (inclusiva y ubícua)

2-Aprendemos unos de otros (Social Learning)

Si a todo esto unimos que es más importante el propio canal/les de aprendizaje como dijo Mchluhan http://ciudadano-universal.bligoo.com.mx/el-medio-es-el… El medio es el mensaje…

Estoy trabajando hoy, por lo tanto, no con la escuela o la universidad, sino para aprender!

¿Y cómo podemos aprender asi?
El requisito formulado por el antropólogo cultural canadiense Michael Wesch :

En un mundo de información es casi ilimitado , primero tenemos que preguntar por qué, entonces permitir que el aprendizaje fluya y luego derivar naturalmenteen las necesidades que tenemos….
(Michael Wesch 2009)

Es decir, que necesitamos para el siglo 21, un nuevo marco a partir del cual todo emana:
La habilidad más importante del siglo 21, es la capacidad de formarse de manera personal , y debido a ello, no es lo mismo para todo el mundo y por tanto el aprendizaje clásico debe desaparecer ya que ni tienen ni tendrá sentido.

Los alumnos no serán dirigidos por nadie en concreto, son ellos los responsables y por tanto los que adquieren el compromiso de aprender.
(Georg Rückriem 2010: Aprendizaje y significado)

Debido a que el aprendizaje sólo es posible cuando la ignorancia exterioriza errores, fallos y por tanto son requisitos previos importantes del aprendizaje. Todo es temporal, pero se aprende en todas partes y siempre – por supuesto, personalizado, y voluntarioso. Lo que esto significa para nuestra comprensión del conocimiento:

El conocimiento ya no es un producto, sino un proceso.
(David Weinberger)

Juan Domingo Farnós hace referencia al aprendizaje ubicuo:

[…] se puede aprender en cualquier lugar, pero además valorándolo, es decir, si yo aprendo fuera del centro, que lo que yo aprenda tenga tanto valor como lo que es curricular, como lo que está dentro del centro, y no sólo eso, sino que tenga más valor que lo curricular por tratarse de un aprendizaje que atiende a lo que cada alumno quiere aprender.

Se debe definir “lo que usted está tratando de investigar, sino también cómo se va a ir sobre ella” ( Crompton, 1997 ), pero eso sólo debe ser a manera de planteamiento inicial, luego deberán coger un camino abierto,INCLUSIVO y sobre todo, que sea posible llevarlos a cabo en cualquier situación espacio-temporal (UBICUIDAD).

En el sistema actual, por qué no emplearr la personalización del aprendizaje sin ser ya necesario el MASTERY LEARNING:

En una revisión inicial de diseño de cursos podemos incluir las siguientes preguntas:

¿Cuál es el curso o módulo?
Identificar y clarificar los objetivos, los objetivos, el formato, la capacidad de los estudiantes a desarrollar, etc contenido básico
¿Cuáles son las características del grupo de alumnos?
Identificar y clarificar el número de estudiantes, fondos, necesidades especiales o los idiomas, conocimientos informáticos, el acceso a la computadora o la red, UG / PG, nivel, etc
¿Cuál es el proyecto de desarrollo destinado a lograr?
Identificar y clarificar los objetivos principales y objetivos para lo que deseen desarrollar, beneficios previstos y los resultados, las fuentes de la literatura de fondo.
¿Cuáles son las implicaciones para las tecnologías y herramientas seleccionadas?
Si es posible, identificar los ejemplos existentes de uso de las tecnologías que se proponen para integrar, en particular los que están disponibles a nivel local, tales como tipo de aplicación, el acceso / disponibilidad de licencias, robustez, requisitos de la red, problemas de usabilidad, los costes de desarrollo o ampliación de los programas de software.
¿Qué habilidades necesitan desarrollar para ser un maestro eficaz uso de estas herramientas y entornos en línea? Ya ven que no hablamos para nada de instrucción, es decir, donde exista una pesona que enseña y la otra que recibe sus enseñanzas.

Las redes pueden establecer «multi-circuitos personalizados» entre los diferentes estamentos que intervienen en cualquier proceso de enseñanza-aprendizaje. Por ello, las empresas, las organizaciones económicas y las instituciones educativas –tal y como las concebimos hoy– tienen los «días contados». La red no se ordena según los preceptos de la jerarquía actual; antes bien, es al contrario –hasta este momento, lo importante era el OBJETO; mientras que, de ahora en adelante, lo será el SUJETO.

Evidentemente eatamos demostrando que el aprendiz es el responsable de su trabajo y de su aprendizaje, no queda otro camino más que el redárquico, pero ¿cómo le pueden ayudar?

. Los gerentes o mentores – ¿Qué activos de aprendizaje necesitan en apoyo de su papel?
• Los formadores, facilitadores – ¿Qué activos de aprendizaje son esenciales para su papel?
• El personal que apoyan en tiempo real – ¿Qué activos de aprendizaje se requiere para apoyar peticiones en demanda?
• Peer to peer, colegas que colaboran – ¿Qué lugares sociales apoyamos – moderada – la cosecha de las mejores prácticas para construir en los futuros activos de aprendizaje?
• Los que diseñan – ¿Qué ampliaron las competencias y que hacen que necesiten en relación con el descubrimiento inicial, análisis de causa raíz, definición del contexto de trabajo, y el conocimiento de la tecnología, un ecosistema adecuado?
• ¿Qué activos de aprendizaje son apropiadosque en el contexto de un cambio de comportamiento disruptivo, puedan seguir haciendose laas cosas ya no igual, sino mejor?

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.
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)….

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

Pero…¿Cómo podemos utilizar un proceso de diseño para ayudar a los estudiantes a mejorar sus habilidades en la resolución de problemas?
(Mediante la combinación más efectiva entre la creatividad y el pensamiento crítico) en todos los ámbitos de la vida, y ello mejorará su aprendizaje, el pensamiento y el rendimiento?

Los objetivos en un modelo de resolución de problemas son la motivación, la metacognición, el conocimiento conceptual y el conocimiento procedimental (habilidades y en general de dominio específico), más (en su modelo general de Aprendizaje) Colaboración y comunicación.

Como establecemos un proceso de pensamiento de diseño en este tema que hará que su aprendizaje mediante la resolución de problemas, sea lo más personalizado mejor…¿Cómo los aprendices conseguiran entroncar con ello un pensamiento crítico adecuado para que les permita solventar cada situación de la mejor manera posible?

En todos estos procesos es básico el desarrollo de las «HABILIDADES BLANDAS”, tales como la resolución de problemas, la comunicación, el pensamiento crítico, la reflexión, no estoy de acuerdo que estos son, competencias transversales genéricas.

La resolución de problemas no es la misma en la medicina como en los negocios, por ejemplo. No sólo es la base de los conocimientos (la información necesaria para resolver un problema) diferentes, pero también lo es el método (una de ellas basada en la ciencia y deductivo, el otro es más intuitivo y con más disposición a aceptar riesgos). Estas habilidades deben incorporarse dentro de un dominio específico (aunque estoy de acuerdo en que necesitamos más estudios interdisciplinarios, que no es lo mismo que el desarrollo de habilidades transversales)…., ni de lejos.

Esto me lleva a mi preocupación (muy explicada) por una sobre-énfasis en el aprendizaje informal. El aprendizaje informal será cada vez más importante en el futuro, porque llevará AL PERSONALIZED LEARNING aunténtico por encima del más INSTRUCCIONAL como es el MASTERY LEARNING, pero por sí sol no va a satisfacer todas las necesidades de aprendizaje, ni tampoco crean que quiero decir que necesitara al formal para coexissitir, no, no es lo que quiero decir…

Cómo seguidor del modelo de Richard DuFour que dice “tenemos que pasar de una cultura de la enseñanza a una de aprendizaje.” Creo firmemente que cada profesor es el factor más poderoso para el aprendizaje del estudiante.

Un plan de estudios fuerte es el que reta a los estudiantes a pensar críticamente, y obviamente no es el sistema actual y ni siquiera el procedimeinto establecido de : Estructura, organización y funcionamiento de la manera de aprender y de la manera de educarnos…

El apoyo en la mejora continuada, vendrá de muchas formas, y cada una de ellas adaptada a personas, situaciones, necesidares, o sea, de manera personalizada y personal..… Puede ser integrado en las herramientas de flujo de trabajo (donde la mayoría de las herramientas y sistemas proporcionan apoyo), o acceder a través de “otros” a través de la red .Como tal, este elemento puede sentarse en las partes tanto en el ’20 ‘y ’70’ del marco propuesto.

Últimamente, mi “amigo” Stephen Downes esccribe mucho sobre la personalización del aprendizaje, lo cual hace un año estaba más por la “individualización” del mismo, pero me alegro claro y además también es muy bueno en eso. Es decir, tanto él como Simens abogaban por una personalización en el plano individualizador (Instrucción…enseñanza-aprendizaje).

El aprendizaje incidental puede convertirse en un proceso más estructurado, como es el caso cuando alguien trabaja através de una serie de recursos educativos abiertos (materiales didácticos disponibles gratuitamente en la Web). ‘Las certificaciones, ofrecen una forma de acreditar este aprendizaje que tiene lugar fuera de as instituciones educativas formales.

Pero lo más importante es buscar las maneras de hacerlo en el Aprendizaje Informal y es más, en el APRENDIZAJE-TRABAJO, ya que es la única manera de asegurarnos la educación continuada, accesible-tanto de manera espacio-temporal, como por su economía y además representa más del 70% de lo que aprendemos cada día .

Las instituciones pueden adoptar una actitud deliberada para apoyar el aprendizaje sin fisuras, alentando a los estudiantes a aprovechar los recursos de aprendizaje complementario fuera (INFORMAL), erse a sí mismos como aprendices continuos, y utilizar las experiencias de vida de los estudiantes para entender el significado de los materiales introducidos en las clases.

Pero ¿podemos considerar el aprendizaje informal cómo algo válido dentro de nuestra educación y por tanto dentro de nuestra sociedad?

“Si nos basmos en objetos de aprendizaje y su relacion con ecosistemas, propondríamos una investigación que lo relacionara con el Mobile learning para recursos de aprendizaje, que puede apoyar mejor el aprendizaje informal, y la construcción de la comunidad y el intercambio de recursos de aprendizaje con las características esenciales de la evolución que ello supone (entre la innovación disruptiva producidda por las TIC, la Inteligencia Artificial y programas experetos…), para llegar de lleno aser realizado de manera personal y personalizada fuera de toda individualización propia del Mastery learning.

(Richard Gerver)… “No se aprende nada nuevo haciendo las cosas bien, se aprende de los errores” – Blogs de Empecemos por los principios http://bit.ly/Xk0Oml

Este aprendizaje permanente a la carta para todos (que ya surgió con el E-LEARNING-INCLUSIVO de Juan Domingo Farnós en el año 2005 y que se expandió por universidades, escuelas, institutos..especialmente en Latinoamerica y el Caribe) en cualquier lugar y a cualquier hora.

¿Qué papel pasarían a jugar los profesores? ¿Incluirían las Facultades de educación la formación en E-Learning para que los futuros profesores impartieran clase de esta manera? ¿Qué ocurriría con los profesores que llevan una larga trayectoria profesional y que no tienen tiempo de “reciclarse”? ¿Qué cambios a nivel legislativo serían necesarios para implantar este sistema educativo? ¿Sería efectivo? ¿Qué pasaría con las clases sociales que no pueden permitirse la compra o uso de un hardware?

Naturalmente se requieren nuevas estructuras y las relaciones entre el aprendizaje en las instituciones educativas, en el lugar de trabajo, en casa, en lugares sociales, en movimiento, etc El aprendizaje ubícuo / u-learning / como un concepto potencial, puede ser visto como una ‘nueva generación’ desde maneras de aprender -learning.

La “generación” de interfaces adaptables basadas en los contextos educativos, la localidad de usuario variados cuando se consideran los dispositivos móviles, etc, y la versatilidad de si la apliaciones en la nube se pueden utilizar como aplicaciones independientes para apoyar el aprendizaje personal, o como parte de una orquestación de colaboración entornos educativos.
La nube tiene la facilidad de emplear múltiples y diversificados soportes que darán sin lugar a dudas, por una parte mayor complejidad a los procesos educativos, pero por otra características INCLUSIVAS, que de otra parte impederían principalmente la búsqueda de la EXCELENCIA personalizada y personal.

La computación en la nube y la flexibilidad han sido identificados como componentes posiblemente de gran alcance para proporcionar a las personas con las oportunidades para crear y distribuir contenido y, al hacerlo, desarrollar habilidades para trabajar y ser creativos.

Los estudiantes están adoptando tecnologías y adaptarlas a apoyar su propio aprendizaje autodirigido. Por ejemplo, 1 de cada 10 estudiantes de secundaria han twitterado acerca de un tema académico. 46% de los estudiantes han utilizado Facebook como una herramienta de colaboració para su trabajo de formacón.

Hay una brecha entre lo que en la oferta de las escuelas ofrecen y lo que los estudiantes quieren aprender. Como resultado, los estudiantes están buscando fuera del salón de clases para cumplir con sus metas personales de aprendizaje. Por ejemplo, el 12% de los estudiantes de secundaria han tomado una clase en línea por su cuenta, fuera del salón de clases, para aprender sobre un tema que les interesa.

Frente a ello cada uno de nosotros buscamos una luz, uno de los aspectos que propongo es un aprendizaje a distancia diferente, transparente, diverso, diferente, personalizado y socializador, un elearning de tofos y para todos que no esté en manos de ningún sistema, de ninguna empresa de ningún formador que pueda ejercer una jerarquía sobre nadie…

Mi investigación y trabajo tanto en la Red como fuera de ella se refiere al e-learning-Inclusivo y el e-learning requiere atrevimiento. Vamos a proponer de manera sintetizada, no sólo una mejora del aprendizaje con e-learning, si no un cambio en la preparación, costo y validación de: materiales, contenidos, herramientas…que puedan servir para buscar la excelencia en los usuarios y en su aprendizaje. Cada día, hay un número creciente de e-learning, los proveedores de contenidos producen y distribuyen material que cubre una amplia gama de temas, difiere en calidad y está representada en varios formatos. Últimamente, los diferentes dispositivos y tecnologías de red permiten al usuario acceder a contenidos educativos amplios en casi cualquier lugar, en cualquier momento y desde cualquier dispositivo.

La ubicuidad de E- learning tiene el potencial suficiente para proporcionar de manera continuada y basada en el contexto, el material educativo a los alumnos, en cualquier momento y en cualquier lugar y con cualquier dispositivo. Puesto que cada persona tiene diferentes expectativas relacionadas con el contenido, el rendimiento de la entrega y la presentación de ese contenido, es conveniente que el e-aprendizaje ubicuo, sea el adecuado para proporcionar al usuario, la personalización del e-material de aprendizaje, por lo tanto debe realizar una doble función: inclusividad (diferencia) y calidad de los mismos.

Sin embargo muy a menudo, hay múltiples fuentes de e-learning, con material en distintos lugares web (recursos corpus abierto) que cubren el mismo tema, pero se diferencian en términos de calidad, formato y equilibrio en los costes. Es muy difícil para los estudiantes seleccionar los contenidos que mejor se adapte a sus intereses y objetivos, las características del dispositivo utilizado y red de distribución, así como su presupuesto de gastos.

Por lo que proponemos un ubicuo e innovador entorno de aprendizaje llamada, basado en el rendimiento de e-learning , costo de adaptación eficiente, que proporciona apoyo a la selección y distribución de los diferentes elementos que hemos mencionado para un buen aprendizaje 2.0, personalización de un aprendizaje rico en contenidos de medios (por ejemplo; multimedia, imágenes, gráficos y texto), que se adapte de manera personalizada y socializadora a la vez a e-learning, lo que nosotros venimos llamando e-learning-Inclusivo, tal como se adaptará mejor a los intereses de los usuarios y objetivos, satisfaciendo sus preferencias de formato y las limitaciones de costo (economía colaborativa y socializadora) al considerar las limitaciones introducidas por los dispositivos de usuario final y las redes de distribución para el usuario.

En la nueva economía de esta nueva sociedad que vivimos ya,no es importante lo que sabes, sino lo que haces y lo que eres capaz deaprender, que será valorado de manera continuada, por ti y por los demás… El futuro del trabajo es personalizado, complejo e intangible, por tanto, el de los aprendizajes, también!…

En este entorno, el sentido de decisiones y el intercambio de conocimientos se convertirán en las habilidades críticas. Esto será en nuestros equipos, comunidades y redes. ¿Cuáles son los desafíos y oportunidades para la formación de profesionales y de desarrollo en un entorno de este tipo?

El aprendizaje personalizado se puede llevar a cabo donde, cuando y como se quiera. Por esta razón, las modalidades de aprendizaje «formales», «no formales» e «informales» no son modalidades «parceladas», como hasta hace poco tiempo; sino que, hoy por hoy, se «mezclan» como partes integradoras de un nuevo concepto de educación: la «Educación Disruptiva (learning is the work).

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.

Podemos establecer una serie de condicionamientos como:

Educación o no educación
Ubicación (por ejemplo, instalaciones educativas o de la comunidad, los lugares de trabajo)
Intencionalidad aprendiz / profesor / actividad (voluntarismo)
Alcance de la planificación o estructuración intencional
Naturaleza y alcance de la evaluación y acreditación
Los plazos de aprendizaje
La medida en que el aprendizaje es tácito o explícito
La medida en que el aprendizaje es un contexto específico o generalizable / transferible
Determinación externa o no
Si el aprendizaje es visto como trascendente o no. ‘
Parte de un curso o no.
Si los resultados pueden ser medidos
Si el aprendizaje es colectivo / colaborativo, cooperativo o individual

 

Todo el mundo será capaz de clasificar los datos como quieran (PERSONALIZED LEARNING) 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 estado de los conocimientos y el aprendizaje
La naturaleza del conocimiento
Relaciones alumno – profesor
Enfoques pedagógicos
La mediación del aprendizaje – por quién y cómo
Propósitos e intereses para satisfacer las necesidades de los grupos dominantes o marginados
Ubicación dentro de las relaciones de poder más amplias
Si hay o no control dentro del aprendizaje.

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 podeis 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.

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

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

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

Los aprendices que buscan el PERSONALIZED LEARNING ENVIRONAMENT (PELE), no confundir con el PLE, buscan la facilitacion y la orientacion en todo momento porque lo que desean es alcanzar la EXCELENCIA PERSONALIZADA, nunca un estandar propuesto por cualquier sistema verical y jerarquizado, presentando tres ambientes diferentes que pueden coincidir con las orientaciones de aprendizaje, fomentar la mejora de la capacidad de aprendizaje, y reemplazar las tradicionales soluciones de “talla única para todos”.

APRENDIZAJE PERSONALIZADO: El aprendizaje personalizado persigue un “marco superficial de competencias ” y más en su lugar se centra en el proceso de aprendizaje en sí mismo , lo que sin duda tiene sentido en un mundo rico en información. Esta alienado con el aprendizaje más informal y que parte de los propios intereses del aprendiz y que también puede ser cuantificable por los datos que “desprende” (insights) y evidencia el aprendiz (Informal Learning Analytics, ), el cual es uno de los logros con las tecnologías sociométricas y de autocuantificación.

lMASTERY LEARNING (Aprendizaje Individualizado) la individualización se refiere a la instrucción que se acomoda a las necesidades de aprendizaje de los diferentes alumnos. Las metas de aprendizaje son las mismas para todos los estudiantes, pero éstos pueden progresar, a través del material que se les ofrece, a diferentes velocidades de acuerdo a sus necesidades de aprendizaje. Por ejemplo, los estudiantes pueden invertir más tiempo para avanzar en un tema determinado, omitir temas que cubren la información que ya conocen, o repetir temas para los que necesitan más tiempo.

juandon

Cuadro de FERNANDO SANTAMARÍA)

	Instrucción individualizada	Aprendizaje personalizado
Definición	Estrategias instruccionales planificadas y práctica basadas en el conocimiento de las mejores prácticas y el análisis de la preparación del estudiante de forma individual, con estilos de aprendizaje y áreas de interés.	Los estudiantes diseñan actividades de aprendizaje basado en la reflexión y conversaciones con los profesores y otros interesados, y un uso ingenioso de un conocimiento cada vez mayor en recursos y estrategias de aprendizaje personales. Procesos y estrategias de aprendizaje a lo largo de la vida.
La alfabetización se convierte en…	…en un dominio de un alcance definido y establecido en secuencias institucionalmente establecida de lectura y escritura y con unos objetivos a cumplir.	.. en una gama amplia en la evolución de las habilidades de información desarrolladas en torno a las actividades de aprendizaje (digitales) – la capacidad de adquirir conocimientos y habilidades a través de la utilización de la información de forma ingeniosa y responsable.
El rol del profesor	Utilizar los datos que proporciona una descripción de competencias individuales de los estudiantes con el fin de seleccionar las mejores estrategias prácticas que ayudan a cada estudiante para las competencias principales definidos por las normas establecidas.	1.Crear, diseñar y mantener un ambiente de aprendizaje donde los estudiantes son libres de llevar a cabo intereses personales de aprendizaje. 2.Una guía de las experiencias de aprendizaje con el fin de mantener un contexto social y ambiental, que nutre ciudadanos conocedores, habilidosos y cuidadosos con el entorno humano y ambiental. 3.Ayudar a los alumnos en el desarrollo y perfeccionamiento de alfabetizaciones personales de aprendizaje y sus propios hábitos.
Traducción y anotaciones	Fernando Santamaría	En: fernandosantamaria.com/blog septiembre 2013
Rol del estudiante	Preste atención al maestro, seguir SUS instrucciones, recordar y llevar a cabo determinadas tareas.	Preste atención a lo que ocurre en el mundo, consulte con el maestro (y otros interesados, pares o expertos), intentar identificar y perseguir nuevas áreas de interés, hábilmente aprender y en colaboración múltiple, produciendo a partir de ese aprendizaje previo.
Estándares	Un amplio conjunto de competencias establecidas institucionalmente y políticamente que se basan en las alfabetizaciones básicas y que pueden ser probados, medidos y convertidos en datos que están disponibles de manera óptima a los maestros para perfeccionar la instrucción.	Un marco mucho más superficial de las competencias, fundada en alfabetizaciones del propio aprendizaje en si , y que se puede fundamentar a través de obras originales y valiosas publicaciones de todo tipo (no tienen por que ser científicas) o construidos por usuarios en Internet y a través de las propias interacciones y de diálogos.
Resultados	Actores alfabetizados bajo unos paradigmas y normas y que deben estudiar a partir de lo instruccional. También bien informados.	Estudiantes habilidosos, conocedores de topics, curiosos, estudiantes a lo largo de la vida (life-long learners) de carácter comprensivo, prudentes/juiciosos y cualificados para determinadas prácticas (task-based learning).
En esencia	La educación se hace para el estudiante (Nota: Y se establece como un negocio y de “dominación” (sus interacciones tenga una fuerte estructura de poder y cercenando el autoaprendizaje y la curiosidad con la que casi todos nacemos)	Educación sucede como resultado de lo que hace el alumno. Aprendizaje “autentificado” y para la vida. Desarrollo para mi concepto de #eduvida.

Knowledge-economy-education! (Ed. Disruptiva)

juandon

Se necesita más investigación para informar a los responsables políticos de la educación acerca de cómo desarrollar las habilidades adecuadas para una economía del conocimiento, en lugar de asumir los altos niveles de educacion de manera aislada, como sucede de manera convencional por sí sola, como se define actualmente.

Hoy en día realmente es casi nula no solo su influencia, si no su relación, la universidad ya no es trascente para el mundo político, por una parte porque no se confía en sus investigaciones, de esa misma opinion lo es la investigadora inglesa Judy Sebba, de la Universidad de Sussex, la cual lo constató en uno de sus trabajos dirigidos por The London School of Economics…..

Los canales de comunicación por una parte, también porque la investigación sigue realizandose como hace decadas y decadas y realmente no se contrastan por pares, ya que si se hace con “sus colegas, amigos….” realmente no tienen claidad decontraste y son escasamente creibles.

Si bien creo que ya es dificil la vuelta atrás, es más la consideraría nefasta, si que la universidad podría actuar de puente entre los verdadros pensadores del momento, los aprendices y trabajadores, y la propia política educativa (que obviamente no puede ser la de ahora), pero teniendo presente que la verdadera POLITICA, ya no está encerrada entre cuatro paredes ni en manos de unos cuantos, si no que la verdadera POLÍTICA y en MAYÚSCULAS, está en la calle y en manos de la sociedad.

Con todo ello la base del aspectro necesario en la sociedad ha aumentado, por tanto las estructuras usuales des de hace siglos, ya no solo son insuficientes, sino totalmente innecesarios. Ahora la batalla se desarrolla fuera de lo que conocemos por educacion formal, eso solo queda como un mero residuo y es por eso mismo que debemos construir maneras nuevas de entenderlo, primero, y despues camino para llevarlo a cabo en sus nuevos posicionamientos.

Por eso mismo necesitamos y mucho de la ECONOMIA DEL CONOCIMIENTO, la cual de alguna manera nos ayuda en estos procesos.

En la nueva economía de esta nueva sociedad que vivimos ya,no es importante lo que sabes, sino lo que haces y lo que eres capaz deaprender, que será valorado de manera continuada, por ti y por los demás… El futuro del trabajo es personalizado, complejo e intangible, por tanto, el de los aprendizajes, también!…

“El verdadero genio de las organizaciones es la economía informal, a menudo inspirada en formas espontáneas que las personas reales resolver problemas reales de manera que los procesos formales no puede anticiparse. Cuando estás compitiendo en el conocimiento, el nombre del juego es la improvisación, no la normalización memoria . “ de John Seeley Brown

En este entorno, el sentido de decisiones y el intercambio de conocimientos se convertirán en las habilidades críticas. Esto será en nuestros equipos, comunidades y redes. ¿Cuáles son los desafíos y oportunidades para la formación de profesionales y de desarrollo en un entorno de este tipo? en eso estamos…

En este ambiente de incertidumbre perenne , ambiguo, y volátil, las oportunidades serán lo importante, no lo que estés haciendo y aprendiendo en un momento concreto. Los nuevos líderes deben gestionar estas “tendencias”, estas intenciones y redirigir en cada momento aprendizajes y trabajos en la dirección adecuada…

Ahora sabemos que los “stocks de conocimiento” se reducen en valor mucho más rápidamente en relación con un mundo emergente de “flujos de conocimiento” – que el conocimiento ya no necesita poseer, sino que hemos de ser capaces de llegar a su acceso.

El aprendizaje continuo es el combustible de la innovación basada en dichos flujos, y en contra de tales competidores, todos “legado”, las empresas y sus aprendizajes no digitalizados la tasa de cambio en el exterior es superior a la tasa de cambio en el interior.

El aprendizaje permanente – junto con ideas como “la sociedad del conocimiento” – se ha convertido en popular entre los políticos y los responsables políticos en varios países. Pero, ¿qué quiere decir la gente por ella? ¿Es útil la idea del aprendizaje permanente? (Basil Yeaxlee)

Algunas de las instalaciones clave de Investigación de Aprendizaje son que:

1. Una empresa puede ofrecer un mejor retorno de cada mente empleada cuando se puede construir una fuerza de trabajo de aprendizaje comprometid imbuido por capacidades de pensamiento más de tipo empresarial a través de sus miembros.
   
2. Los que están en el orden jerarquizado  vertical, comúnmente poseen totalmente diferentes conocimientos y experiencias para el personal de alto nivel que durante mucho tiempo han sido promovidos fuera de contacto con los clientes, o se quitan de donde se realiza el trabajo real.
3. Todo el mundo puede aprender mejor cuando emprende desafíos para  contemplar nuevas preguntas en el contexto de su lugar de trabajo.
4. En los lugares de trabajo, aprender puede crear una experiencia más atractiva para aquellos que vienen a trabajar que deseen contribuir y aprender.
5. Cuando existan perspicacia y motivación, el potencial de aumento de la rentabilidad en el conocimiento y la fuerza actual en todas las especialidades de la organización crece.
6. Quienes no están acostumbrados a pensar o contribuir más allá de la especialidad en la que estaban comprometidos comenzarán a hacerlo.
7. La construcción de la sensibilidad y capacidad de respuesta a los cambios externos de sus “bordes” mejorará la capacidad de una organización para anticipar el futuro.
8. Determinado aprendizaje puede estimular el perfeccionamiento de los modelos de negocio existentes para impulsar la innovación en la concepción y ejecución de la estrategia.

Si no se podemos demostrar que lo que hacemos agrega valor a la organización para la que trabajamos , nosotros seremos el problema…

Lo que la gente quiere es la capacidad de aprender siempre , donde quiera y como ellos elijan . Hay un montón de ejemplos de fuera de la organización que los hacenestar impacientes por el cambio(disrupción). Sus materiales heredados pueden ser un pasivo en lugar de un activo.

Esto nos lleva a cuestionar muchas cosas que hadsta ahora eran dogmas, conceptualmente y empíricamente con la relación de causalidad que los responsables políticos a nivel mundial asumen entre la educación y la economía del conocimiento mediante el aumento de:

(i)las cuestiones epistemológicas en cuanto a los conceptos y tipos de y las relaciones entre el conocimiento, la economía del conocimiento y la educación...

(Ii) las cuestiones económicas sociológicos y políticas en lo que respecta a la naturaleza cambiante del trabajo, el papel del aprendizaje en los lugares de trabajo, la relación entre el trabajo, formal y el aprendizaje informal y compitiendo y contendientes visiones de lo que una sociedad economía del conocimiento / conocimiento podría ser similar…

(iii) las cuestiones pedagógicas en lo que respecta a la relación entre el conocimiento y el aprendizaje en la educación, la comunidad y los contextos laborales.

Todo ello viene dirigido a investigadores, responsables políticos, profesionales y estudiantes que deseen leer textos y colaborar con los investigadores que ponen en duda la actual creencia convencional de que la economía del conocimiento es una nueva realidad global a la que todos los individuos y las sociedades deben adaptarse, y que el aprendizaje permanente es la estrategia para asegurar dicho ajuste.Con ello se espera estimular el debate entre este diverso público mediante la publicación de libros que:

(i) articular visiones alternativas de la relación entre la educación y la economía del conocimiento…

(Ii) ofrecer nuevos conocimientos sobre el alcance, los modos y la eficacia de la adquisición de conocimientos y habilidades en las nuevas circunstancias que se enfrentan en el mundo desarrollado y en desarrollo de las personas…

(iii) y sugerir cómo los cambios en ambas condiciones de trabajo y plan de estudios y la pedagogía puede conducido a nuevas relaciones entre el trabajo y la educación…

La destion del conocimiento (KM) y ka personalizada (PKM)ha recibido recientemente considerable atención en la comunidad de sistemas de información de equipo y continuamente está ganando interés por la industria, empresas y la Universidad. Como uno se mueve en una era de «capitalismo del conocimiento», guste o no, el  KM en combinación con la administración de la información desempeñará un papel fundamental en el éxito de transformar el conocimiento individual en conocimiento organizacional. La creciente importancia económica del conocimiento, que hoy en día redefine los vínculos entre educación, trabajo y aprendizaje, hace el papel de KM absolutamente crucial. El objetivo principal de este trabajo es proponer nuevas maneras de usar KM para el desarrollo de una educación moderna y la formación.

Diseño/metodología/enfoque: presenta las cuestiones básicas relacionadas con KM, revisando los principales contribuciones en el campo. Luego analizaremos la aplicabilidad del KM conceptos y principios a la educación y formación, presentando ejemplos reales y exitosos, tanto a nivel grupal como personal (PKM) y proponedremos formas innovadoras para aplicar técnicas KM en estos campos.

El principal hallazgo es que KM con éxito puede contribuir al desarrollo de la educación y la formación en el contexto de la nueva economía del conocimiento y la educacion (Knowledge-economy-education). Práctica las implicaciones – la principal implicación es la necesidad de explorar cómo las empresas y organizaciones pueden eficientemente y efectivamente adoptar esos enfoques KM de educación y formación. Valor/originalidad(personalización) el rasgo distintivo  es que podemos mostrar que los conceptos clave de KM pueden utilizarse para la educación y formación, algo que a su vez puede ayudar a las empresas a aprovechar las habilidades y conocimientos de sus miembros y, en consecuencia, para mantener y mejorar su capital de conocimiento…

El impacto que conlleva el nuevo marco globalizado del mundo actual y sus omnipresentes, imprescindibles y poderosas herramientas TIC, está induciendo una profunda revolución en todos los ámbitos sociales que afecta también, y muy especialmente, al mundo educativo. Estamos ante una nueva cultura que supone nuevas formas de ver y entender el mundo que nos rodea, que ofrece nuevos sistemas de comunicación interpersonal de alcance universal e informa de “todo”, que proporciona medios para viajar con rapidez a cualquier lugar e instrumentos tecnificados para realizar nuestros trabajos, y que presenta nuevos valores y normas de comportamiento.

juandon

Muy cerca de la Educación Disruptiva!

juandon

Lo que algunos llamaría enseñanza activa y el aprendizaje implica el uso de estrategias que maximicen las oportunidades para la interacción . De hecho , un poco de literatura ( especialmente en el campo de las TI y el aprendizaje basado en internet…) hace referencia a «interactivo» en lugar de los métodos activos .

Nuestro enfoque principal es sobre los tipos de estrategias que se ponen con frecuencia en oposición a los llamados métodos de transmisión . Por métodos de transmisión , me refiero a los enfoques formales , didácticos , expositivos y centrados en el profesor , como la conferencia de cincuenta minutos que la mayoría de nosotros en la educación superior son tan familiarizados.

Por el contrario , la enseñanza y el aprendizaje activos ofrece oportunidades para la interacción entre profesores y alumnos , entre los propios estudiantes, así como entre los estudiantes y los materiales , el propio tema o la disciplina académica .

Por lo general, los tipos de estrategias que emplearía el fin de promover el aprendizaje activo son el trabajo en pequeños grupos , los proyectos de investigación basados en estudios de casos , debates , juegos de rol , viajes de estudio , etc

Esta manera de trabajar es un «mix» entre lo informal-formal con innovaciones educativas como podria ser el Flipped Classroom, aprendizaje por problemas…

Según este modelo , el alumno puede comenzar en cualquier momento del ciclo ( en función de su estilo de aprendizaje preferido ), pero las cuatro etapas necesarias para la realización del aprendizaje significativo. Así , por ejemplo , los estudiantes pueden realizar un viaje de estudios ( como una experiencia concreta ) y pedirle que lleve un registro o un diario de viaje ( como la observación reflexiva ); una vez de vuelta en la universidad , pueden debatir con los demás lo que significan los resultados y llevar a cabo una lectura más a fondo antes de sacar conclusiones ( conceptualización abstracta) .

Por último , podrían embarcarse en otro viaje de campo a un lugar diferente con el fin de probar una nueva hipótesis ( experimentación activa ) y así comenzar el ciclo de aprendizaje de nuevo.

Sería completamente lo que alguos entienden por Educación Disruptiva-no es mi caso- pero que sirve para romper con el viejo paradigma del curriculum prescrito, muy muy interesante, la verdad es que lo acosejo y mucho.

Hablaré también, de una visión más filosófica de las cuestiones relacionadas con el aprendizaje del estudiante que hemos estado considerando . Muchas de las decisiones que tomamos habitualmente en relación con nuestra práctica, como maestros , dependerá en gran medida por la forma en que estábamos nosotros enseñando También estarán fuertemente influenciadas por nuestra comprensión de lo que significa aprender . Podemos creer que el aprendizaje es equivalente a recordar – por ejemplo, para la adquisición de conocimientos , que es de alguna manera «ahí fuera» , completamente cognoscible y distante ; o podemos creer que para aprender es de alguna manera ser cambiado como persona.

Si sentimos que , como maestros , nuestro trabajo consiste en enseñar a los «cuerpos de conocimiento » no tanto como el pensamiento crítico, y la adopción de una postura crítica hacia el conocimiento que se da por sentado; si vemos el conocimiento como cultural e históricamente específico , sustentado en los procesos sociales y las interacciones sociales ; entonces es probable que deseemos utilizar estrategias de enseñanza y aprendizaje activo .

También es posible que deseemos utilizar para otras cptas de aprendizaje mas META, la participación , , por las oportunidades que ofrecen para el uso del conocimiento y la experiencia previa , por la posibilidad que ofrecen a los estudiantes para debatir y cuestionar los supuestos y valores subyacentes , y para su mayor apertura en relación al resultado de aprendizaje …..

Una manera de aprender que nos acerca y mucho a la realidad de nuestra sociedad, por lo menos en parte…

juandon

 

….

«Empecemos a cavar»! (Educación Disruptiva)

LA SOCIEDAD SE ROMPE….NACE EL “RIZOMA” DE OTRA SOCIEDAD!

-SOCIEDAD DISRUPTIVA-

By Juan Domingo Farnós (@juandoming)

__________________________________________

En una nueva sociedad deberán hacerse reformas estructurales racionales y una intensa lucha contra la corrupción, lo cuál originará otra concepción del estado que a su vez será más diversificado, sencillo y a su vez, operativo.

Para ello deberemos dar mayor fuerza a las corporaciones municipales-ayuntamientos-anulando a su vez las organizaciones e instituciones intermedias que lo único que hacen es recargar un sistema que de por si, ya no funciona.

Por medio de las tecnologías conectaremos a los ciudadanos con las estructuras y organizaciones necesarias para el funcionamiento cotidiano y para los grandes proyectos a medio y largo plazo.

Tampoco a nadie se le esconde que el billón de euros que tenemos de deuda pública a más la “incontable” y poco transparente, deuda privada, es un escollo que si no “descavalgamos”, difícilmente podremos realizar cualquier cambio que sea por lo menos interesante.

Lograr negociar una quita internacional, localmente no tendría ni sentido, posibilitarían filtrar “oxígeno” ya no a las arcas estatales, si no lo más importante, al bolsillo de las personas.

Pero nada de eso está sucediendo, las políticas liberales se han apoderado de la vieja Europa, las bajadas de sueldos medios llega incluso al 20%, con lo que las cotizaciones a la seguridad social son mucho menores, lo cuál hace que las pensiones también bajen (que remedio!) y todo ello arrastra a recortes en los servicios básicos: Educación, Sanidad, y Servicios Sociales.

Tampoco la gran solución social demócrata que años atrás “levantó” Europa, parece tener las cosas nada claras, todo lo contrario, la subida de impuestos que siempre ha recalcado la izquierda provocó un endeudamiento estratosférico, que ahora nos hace estar en vilo y con todas las dudas del mundo.

Con ello quieren revalorizar las pensiones, aumentar las prestaciones sanitarias, una mejora sustancial de la educación y todo con mayores recursos, así como mejores garantías sociales (ley de dependencia). Evidentemente un modelo basado en el gasto-endeudamiento, tampoco puede sostenerse, eso si, los derechos sociales siempre han sido mayores que con la derecha europea.

Estos modelos provocarán en los próximos años una “potente” lucha de clases, ya que con estas medidas, cualquiera de las dos, la clase media, no en sus “picos”, pero si en su parte central, con lo que la polarización entre ricos y pobres aumentará y, con este escenario será imposible bajar el paro, mejorar las condiciones de vida…

Los sueldos bajo y el despido casi “libre” que tenemos ahora, aún hace más insostenible la situación, no solo corto, si no también a medio-largo plazo y todo ello refuerza las posiciones de las empresas de no querer subir los sueldos, ya que con este escenario de costes bajos, pueden presentar cuentas de resultados más holgadas que las que tenían en los últimos cinco años, eso si, a cuesta de una sociedad empobrecida que pasa de “trabajar para vivir” a “vivir para trabajar”, de manera permanente.

Todo ello demuestra que esta sociedad no tiene argumentos de peso para innovar con lo que por lo menos debe mantener unas ciertas formas que causen el menor daño posible.

Pero como se visualiza, necesitamos otra sociedad, no otro sistema, queremos una sociedad que se base en las personas, no en lo que tienen esas personas, pero tampoco es de recibo economías de subsistencia las cuáles mantiene las sociedades durante un tiempo en modo “stan bye”, pero que a medio-largo plazo, provocan auténticos “cataclismos”.

Los Estados, con la semántica actual, deben desaparecer, ya que los estados politizados de ahora (democráticos, por supuesto) son “entelequias” del pasado, culturas que nos redirigen a tiempos casi remotos y a maneras de vivir anticuadas en su forndo y en su forma.

Necesitamos formas de vivir donde las personas no tengan que depender de jerarquías verticales, si no de posicionamientos horizontales y diversos, donde la diferenciación aporte valor en lugar de restar expectativas. Los derechos ya no irán separados de las obligaciones, los dos actuarán al unísono y uno sin el otro no tendrá razón de se, con ello conseguiremos una mayor igualdad de las personas como indivíduos y colectivos, pero a su vez una diferenciación particularizada que no les hará “perderse” por el camino, ni quedar excluidos o segregados, como sucede ahora.

De esta forma dispondremos de lo que necesitemos en cada momento, pero nunca lo que tengamos de más será a costa de quitárselo a los demás, este proceso será imposible con el planteamiento expuesto.

Hay que hacer muchos análisis, prognosis y diagnosis de manera permanente y continuada, pero siempre con diferentes puntos de vista no paradigmáticos, eso condicionaría nuestro funcionamiento: globales, diversificadas, por poblaciones, por recursos naturales, ….y entonces empezar a construir y diseñar una arquitectura plurivalente, que se pueda autoregenerar en cada momento y que nunca más deba pasar por procesos burocráticos que fomenten los impedimentos.

Las mismas Constituciones son escollos, por tanto no sirven, no hay que modificarlas, si no prescindir de ellas, no nos valen ya los “dogmas”, pero si las acciones causa-efecto, acción-reacción, si se llevan a puerto como hemos indicado. Para ello nos ayudaremos de la tecnología, de la inteligencia artificial…la cuál puede “dinamitar”, “romper” toda la burocracia actual existente y pasar a ejercer acciones inmediatas y ubícuas, con lo que la localización física y estática, quedará enterrada y pasaremos a una deslocalización móvil, como referente y manera de actuar de todos/as, eso si, siempre bajo la diversidad y nunca más con la uniformización.

De todo este planteamiento que va mucho más lejos que del económico, ya que realmente es el nacimiento de una nueva manera de vivir, (naturalmente habrá que ir desgranando todas las situaciones posibles que se devengan, así como anticiparse-gracias a las tecnologías- a otras que sin estar presentes hoy puedan surgir), derivarán en otros partados que concurriran de manera paralela y conectada entre si, como la educación, la formación, el trabajo, las relaciones sociales, el papel de las tecnologías…

Este artículo 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.

Si bien el planteamiento económico actual está basado en premisas equivocadas, tal como se ha demostrado por la propia comunidad internacional (paradigma equivocado), ya que para que exista recuperación y reactivación económica debe haber dinamismo económico y social, inversiones, bajadas de impuestos y aumento del consumo con lo que el trabajo afloraría, acceso a los créditos…, esto significaría ¿que no sería necesario refundar la sociedad? NO, se debe realizar igualmente ya que como solemos comentar, todas las innovaciones , por muy buenas que sean, llegan a “contaminarse”, por lo que en cada ciclo temporal hay que realizar disrupciones necesarias-

juandon

Fuentes:

https://juandomingofarnos.wordpress.com/2014/01/15/cuando-la-innovacion-decae-aparece-la-disrupcion/ Cuando la innovación decae, aparece la disrupción! By Juan Domingo Farnós (@juandoming en twitter)

http://es.wikipedia.org/wiki/Liberalismo_econ%C3%B3mico Liberalismo económico

http://es.wikipedia.org/wiki/Liberalismo_econ%C3%B3mico ¿Qué es la social democracia?

http://xavierferras.blogspot.com.es/2013/10/innovacion-disruptiva-y-nuevos-modelos.html Innovación disruptiva By Clayton Chistensen

http://www.pinterest.com/juandoming/educacion-disruptiva/ Educación Disruptiva de Juan Domingo Farnós (@juandoming en twitter)