Innovación y Barbarie (Cápsula 5.5) 5.5 Aprendizaje pos-bancario

Author: Alejandro Piscitelli
Go to Source

Nota Bene Esta cápsula como todas las anteriores ha sido redactada en forma conjunta por quien suscribe y Julito Alonso, coautor de esta obra compartida

Una de las compuertas evolutivas más significativas en la historia humana fue la aparición de la escritura (Gelb, 1995; Mc Luhan, 1962; Logan, 2000) y con una distancia de varios miles de años, la educación formal (Alighiero Manacorda, 1983).

Aprender aprendemos siempre, con o sin escritura, con o sin escuela, porque de lo contrario no hubiésemos sobrevivido como especie, pero no es menos evidente que la tasa y la profundidad del aprendizaje (acumulación y transmisión) varía en forma exponencial a partir de la externalización del conocimiento, reservorios, bibliotecas, medios reproducibles, digitalización de casi todo (Nyce & Kahn, 1991).

Si por entonces la muerte del chamán o jefe de la tribu implicaba ipso facto la desaparición de su grupo, con todas las muletas (digitales) que tenemos hoy en términos de preservación de la historia, a menos que ocurra un cataclismo global hiperdestructivo, siempre podremos recuperarnos y avanzar en términos societales. Aunque si ello no ocurriera si la que despareciera fuera la especie humana, la tierra no nos extrañaria y hasta quizás se alegraría (Weisman, 2007).

Pero la pregunta, claro está, es ¿hacia dónde? ¿Aprender por aprender?, ¿aprender para ser mejores?, ¿aprender para acumular mejor?, ¿aprender para que pocos se queden con casi todo y el resto con casi nada? ¿Qué relación hay entre aprendizaje, equidad, conocimiento y socialización? y ¿entre el poder de las jerarquías y la influencias de la redes? (Benkler, 2006; Ferguson, 2018). Como siempre, lo que creemos eterno tiene un principio, medio y fin. En el comienzo de la historia, lo vio más que bien Clastres (1972), no había jerarquías, no se permitía la simbiosis del poder económico con el poder político, el poder económico controlaba al político y viceversa. Después, con la aparición de los grandes estados nacionales, las revoluciones industriales (Neff, 1964), las innovaciones científico-tecnológicas, nacen las jerarquías que llegan a su apogeo con el fordismo (Mumford, ???, Von Schunborg, 2016; Marina, 2018)

En ese momento, se inventa la educación masiva, única, homogénea, disciplinante para el trabajo monótono y repetitivo, tanto de cuello blanco como cuello azul (Watson, 2006). Las organizaciones como los estados crecen elefantíásicamente y para preservar su unidad y homogeneidad se instalan férreas cadenas de mando (Giedion, 1968).

Entonces ocurre lo inesperado (uno de los motores centrales de los procesos civilizatorios). A caballo de un estado de bienestar particularmente benigno en los años ’60 se liberan simultáneamente vientos de cambio a nivel universal y tecnologías presuntamente emancipatorias que convergieron en nuevas instituciones cada vez más democráticas.

Las redes desterradas durante varios siglos empiezan a cuestionar las jerarquías de comando y control. Nuevos sistemas de alfabetismos, probados con éxito en Cuba y Brasil, demuestran que la educación bancaria es fordista y ha devenido el enemigo número uno de la democracia, la equidad y masividad.

¿Quo Vadis?
Expirado: Pocos y elitista
Cansado: Para todos y masivo.
Conectados: Masivo y a medida. Sin embargo lo masivo a medido, como muchas de las recetas que probamos en los últimos años es mas declamado que ejercitado, cuando la tecnología promete el paraíso sobre la tierra, la economía y la política no acompañan. ¿Dónde estamos parados realmente? ¿Cómo hemos llegado aquí? ¿Que escenarios es deseable recorrer y cómo hacerlo en el mediano plazo?

5.5.1 Enseñar y aprender no son inversos

Toda la historia de la pedagogía está centrada en enseñar y en suponer que osmóticamente los enseñados aprenderán. Solo recientemente la ecuación se invirtió pero tampoco con resultados muy positivos. ¿Cómo darle a la enseñanza lo que es de la enseñanza y al aprendizaje lo que es del aprendizaje?

La educación tradicional (casi el 99% de la existente) se centra en la enseñanza, no en el aprendizaje. Se asume incorrectamente que por cada gramo de enseñanza hay un gramo de aprendizaje por parte de aquellos a quienes se les enseña. Sin embargo, la mayor parte de lo que aprendemos antes, durante y después de asistir a las escuelas se aprende sin que se nos enseñe.

Un niño aprende cosas fundamentales como caminar, hablar, comer, vestirse, etc. sin que se le enseñen estas cosas. Los adultos aprenden la mayor parte de lo que usan en el trabajo o en el tiempo libre mientras trabajan o en el tiempo libre. La mayor parte de lo que se enseña en el aula se olvida, y mucho o lo que se recuerda es irrelevante.

En la mayoría de las escuelas, la memorización se confunde con el aprendizaje. La mayor parte de lo que se recuerda se recuerda solo por un corto tiempo, pero luego se olvida rápidamente.

Cuando a los que han enseñado a otros se les pregunta quiénes son los que más aprenden en las clases, prácticamente todos dicen: «El maestro«. Es evidente para los que han enseñado que enseñar es una mejor manera de aprender que aprender. La enseñanza le permite al maestro descubrir lo que uno piensa acerca de la materia que se enseña. Las escuelas están al revés: los estudiantes deben estar enseñando y aprendiendo de la facultad (Ackoff & Greenberg, 2008).

Mas que teorizar conviene inventariar. Revisar casos concretos donde si se produce abundante aprendizaje a partir, no de intuciones o placebos, sino de conocimientos analíticos comprobados. Como es el caso de «the science of learning«.

5.5.2 Hablamos demasiado y no sabemos «casi» nada

Aprender todavía sigue más del lado de la intuición que de la ciencia. Sin embargo 30 años de trabajo en la psicología cognitiva, las neurociencias, la psicología educacional, pero sobretodo en la analítica del aprendizaje etc., nos orientan en nuevas direcciones algunas de las cuales comienzan a explorarse en este toolkit.

Las ciencias del aprendizaje conforman un campo transdisciplinario que promueven la comprensión científica, humanística y teórica crítica del aprendizaje, y se involucran en el diseño e implementación de innovaciones de aprendizaje y la mejora de las metodologías de instrucción.

Los principales campos que contribuyen a esta meta-disciplina son la ciencia cognitiva, la informática, la psicología educativa, la antropología y la lingüística aplicada. Durante la última década, los investigadores también han ampliado su enfoque hacia el diseño de planes de estudio, entornos de aprendizaje informal, métodos de instrucción e innovaciones de políticas.

La investigación en ciencias del aprendizaje puede guiarse por las teorías del aprendizaje constructivista, socio-constructivista, sociocognitiva y sociocultural. Los investigadores de LS a menudo utilizan métodos de investigación basados en el diseño. Las intervenciones se conceptualizan y luego se implementan en entornos naturales para probar la validez ecológica de la teoría dominante y desarrollar nuevas teorías y marcos para conceptualizar el aprendizaje, la instrucción, los procesos de diseño y la reforma educativa.

Aunque lamentablemente estos estudios no ingresan en las facultades de educación, ni modifican los entrenamientos de los futuros docentes en la mayoría de los casos, por suerte inventarios muy detallados (Sayer, 2014; Fischer et al, 2018), e implementaciones muy rutilantes (como veremos mas abajo en el caso de la Universidad de Minerva) muestran que el período de ceguera pedagogógica en el que todavia nos encontramos está empezando a ser profundamente cuestionado.

5.5.3 Ciencia del aprendizaje

Hemos hablado en general de la propuesta de la Universidad Minerva, pero poco sobre la propuesta subyacente que su decano fundador (Kosslyn & Nelson, 2018) propusiera en relación a la Ciencia del aprendizaje, y que que lo motivó a desarrollar nuevos proyectos (como la escuela de adultos a distancia Foundry College, lejos de la experiencia de Minerva. El principal diagnóstico de Kosslyn en su libro compilado, es que en la educación superior se produce muy poco aprendizaje de calidad, y que debemos apuntar a enseñar cómo aprender para que los cambios de este futuro incierto no tomen desprevenidos a los estudiantes.

Entre los desafíos que Kosslyn recaba de la ciencia del aprendizaje, es central el Far Transfer o Transferencia a largo plazo, es decir, cómo lograr que un estudiante use algo que aprendió en un contexto, llevándolo a otro totalmente distinto.

Resulta no menos importante tener en cuenta dos aprendizajes centrales para cualquier estudiante: uno es la práctica espaciada, es decir, trabajar sobre un conocimiento a lo largo del tiempo y permitir que se vayan sumando capas (como cuando pintamos una superficie). A mayores capas, será mayor el tiempo que durará ese conocimiento. Otro es lograr que los estudiantes entiendan los objetivos de aprendizaje, es decir, que puedan tener en claro que deseamos que logren una vez aprendidos los conocimientos básicos. Kosslyn remarca que parece muy obvio, pero resulta llamativo que al preguntarle a un estudiante qué puede hacer con ese aprendizaje, no vaya más allá de lo realizado en su cuaderno dentro del espacio del aula (algo que comprobamos semestre a semestre en nuestra cátedra de Procesamiento de datos en la UBA, por mas millenials o centennials que se crean (o sean) nuestros estudiantes).

¿Cómo lograr que los estudiantes aprendan la más importante de las tres alfabetizaciones del futuro según Aoun (2017)? El futuro nos obliga a aprender a manejar grandes cantidades de datos, interactuar con máquinas cada vez mas «inteligentes», pero también poder comprender y utilizar lo que las éstas no lograrán automatizar (o al menos se encuentran muy lejos de hacerlo en el año 2019), como son las habilidades que nos permiten funcionar como humanos (en términos de comunicación y diseño).

Aún más difícil es poder comprender toda la teoría que se encuentra detrás del campo de la ciencia del aprendizaje. El mismo Kosslyn confiesa que aún no termina de leer todo y gran parte del capítulo que dedica al mismo se basa en cómo adaptar, y no reducir (un hábito negativo en la enseñanza), todo lo escrito en principios que permitan a los docentes enseñar mejor. Algo que se explora asimismo en Ambrose (2010); Brown (2014); Lang (2016) y (Sumeracki & Weinstein, )

5.5.4 La era de los algoritmos que aprenden

Aprender supone adquirir hábitos de mente y conceptos fundacionales. La publicidad empresarial insiste en que las máquinas aprenden con el ejemplo de Alpha Go a la cabeza. ¿Aprenden los algoritmos? ¿Hay una ciencia en desarrollo de los learning algorithms? Y si así fuera, cómo se acoplan en el paradigma centauro (máquinas más humanos) para aprender mejor.

Cada tanto las revistas de divulgación y los diarios catastrofistas nos regalan noticias como éstas: «Desarrollan un algoritmo que aprende tan rápido como los seres humanos«. Si bien la IA pasó por muchos inviernos en los últimos 60 años ,el verano del 2014 (consagrado con la compra por parte de Google de Deep Mind en 400 millones de libras) parecía haber llegado para no irse mas.

Nadie discute los enormes logros en «machine learning» obtenidos en el últimos lustro: análisis de mamografías, resonancias magnética y ultrasonidos para conseguir diagnosticar el cáncer de mama mejor que los médicos; detección de retinopatías diabéticas; prevención de paradas cardíacas; programas de “salud cognitiva” que analizan el genoma y adaptan en función de los resultados el tratamiento del cáncer de cada paciente; recomendación de las mejores rutas y medios de transporte hacia tu destino; detección de los hábitos de consumo de una persona; detección de transacciones no habituales; ahorro de energía, etc.

¿Hasta qué punto estos algoritmos aprenden por si mismos?, ¿pueden mejorar su performance?, o ¿pueden enseñarle a otros algoritmos a aprender? Algunas iniciativas van en esa dirección imitando los modos humanos de aprender.

Se sabe de las capacidades humanas para aprender cosas casi “al vuelo”, por ejemplo, basta con enseñarle a un niño un objeto como un perro o un autobús escolar, para que el niño pueda casi de inmediato identificar otras instancias del mismo.

Una de las razones para esta habilidad, piensan los investigadores, es que frecuentemente entendemos nuevos conceptos de cómo las partes familiares trabajan juntas como un todo.

La misma funcionalidad ocurre en los idiomas. Cuando vemos caracteres escritos en un pedazo de papel, incluso aunque no nos sean familiares, no solamente vemos manchas de tinta, sino que observamos que son trazos hechos con una pluma y somos capaces de reproducirlos.

Pero el traducir estas habilidades al dominio de la IA no es algo que pueda considerarse sencillo. Al contrario, es una tarea tremendamente difícil. Los algoritmos de “aprendizaje profundo” se preocupan en general de reconocimiento de patrones, en donde los resultados se obtienen después de haber analizado cientos o miles de ejemplos. Inclusive en este caso, el software entiende objetos de una manera pasiva, como patrones de pixeles en la pantalla en lugar de usar el concepto de crear algo nuevo.

Estamos entonces ante un problema de inducción, en el que el cerebro humano es capaz de generalizar abstracciones de forma efectiva, incluso conceptos a partir de un limitadísimo número de ejemplos (Lake et al (2015) han hecho un avance notable en replicar este tipo de aprendizaje inmediato, todo esto en el sistema es probabilístico Bayesan Program Learning (BPL), que promete ser un paso importante en reconocimiento de voz y síntesis, reconocimiento de imágenes y procesamiento del lenguaje natural.

Pero más general aún, podría llevar sus avances a computadoras que entendieran mejor el mundo a su alrededor construir lo que aprendieran con la idea de ejecutar tareas siempre más complejas.

Las posibilidades son enormes y la articulación de fascinantes investigaciones en las formas de aprender humanas junto a estas maquinales, darán como resultado seguramente formatos híbridos (centauro) que modificarán sustancialmente la pedagogía, la investigación, la organización institucional y las carreras universitarias.

5.5.5 Freires 2.0

Aprendizaje bancario era lo mismo para todos. Su antinomia sería el aprendizaje hiperindividualizado, lo diferente para todos. Pero si fragmentamos todo como construimos un sentido común compartido. ¿Quiénes serían los «Paulo Freires 2.0», capaces de articular diversidad con profundidad, diferencia con identidad colectiva?

La pedagogía no terminó con Piaget, Freire, Illich o Bruner. Antologías enteras añaden otros nombres (Illeris, 2018) algunos de los cuales tienen mucho para agregar acerca de como dejar de enseñar, para permitir aprender en el siglo XXI. Nombres como Robin Usher; Etienne Wenger, Mark Tennant, Sharan Merriam deben estar en nuestro radar. Pero también autores desconocidos para nosotros como Carolyn Jackson, Gert Biesta, John Hattie y Gregory Donoghue.

Estos autores asi como muchas iniciativas aisladas, muestra que la «transformación» de la escuela está en curso y si bien esta no morirá por ahora estamos asistiendo a una progresiva y significativa, aunque todavía muy minoritaria, reconfiguración de la materialidad del aprendizaje, en particular de los espacios escolares y de las formas de organización asentadas en ellos.

Si bien la variedad es amplia, muchas de estas iniciativas confluyen en la ruptura de la vieja ecuación que asocia un docente a un grupo, un aula y, desde secundaria, una asignatura y una hora, para ir a espacios y tiempos más amplios y flexibles, variables y reconfigurables, en grupos más numerosos, con dos o más docentes y amplio uso de la tecnología digital.

Enguita (2019) denomina hiperaula a este porque reúnen tres condiciones:

  • Se manejan y reconfiguran como hiperespacios, en el sentido de que son espacios amplios, abiertos y flexibles, que pueden ser reconfigurados en sus tres dimensiones, albergan grupos más numerosos, que pueden descomponerse a voluntad para el trabajo en equipo o individual, y posibilitan cualquier organización temporal (la cuarta dimensión del hiperespacio) no fragmentada ni simultánea, dentro y fuera del centro.
  • Son contextos hipermedia, en cuanto que permiten la transición sin fricciones de lo presencial a lo digital y entre los distintos soportes y formas de este (audio, vídeo, imagen, texto).
  • Incorporan una hiperrealidad (aumentada, virtual, 3D, inmersiva, simulaciones…) cada vez más aproximada a la realidad misma, con un potencial creciente de aprendizaje e infinitamente superior a la pobre representación impresa (libros, mapas…).

Hay numerosos ejemplos que van en esta dirección y nosotros mismos hemos trabajado/diseñado espacios y experiencias hiperaulas. Obviamente se trata por ahora de ejemplos minoritarios, de experiencias acotadas, y sobretodo de sucedáneos de los sistemas educativos existentes. Caracterizados por la obsolescencia, la ineficiencia, fallas crónicas en el aprendizaje, bajísima retención y una infatigable capacidad de desmoralización y desmotivación.

Que la mayoría de los sistemas educativos del mundo aun se recojan por esta premisas y que difícilmente estén dispuestos a orientarse en caminos mas fecundos muestra una vez ma ala necesidad de enarbolar este toolkit como bandera política, que en vez de criticar al sistema, directamente lo reemplace por otros modelos y propuestas -como acertadamente insistía Illich (1977).

Referencias

Ackoff, Rusell & Grenberg, Daniel Turning Learning Right Side Up: Putting Education Back on Track. FT Press, 2008.
Alighiero Manacorda, Mario. Historia de la educación. México, Siglo XXI,1983.
Ambrose, Susan How Learning Works, 2010.
Aoun
Benkler, Yochai The Wealth of Networks. How Social Production Transforms Markets and Freedom. Yale University Press, 2006.
Brown, Peter Make it Stick: The Science of Successful Learning, 2014.
Clastres, Pierre La sociedad contra el estado. México, Siglo XXI, 1972.
Enguita «Hiperaulas: así es la escuela que desbancará al colegio tradicional» (2019)
Ferguson, Niall La plaza y la torre. Madrid, Debate, 2018.
Fischer, Frank et al International Handbook of the Learning Sciences. London, Routledge, 2018.
Gelb, Ignace Historia de la escritura. Madrid, Alianza Universidad, 1995.
Giedion, Siegfried La mecanización toma el mando,. Barcelona, Gustavo Gili, 1978.
Illeris, Knud Contemporary theories of learning _ learning theorists… in their own words. London, Routledge, 2018.
Illich, Ivan. Un mundo sin escuelas. Caracas, Nueva Sociedad, 1977.
Kosslyn & Nelson Building the Intentional University: Minerva and the Future of Higher Education. The MIT Press, 2017.
Lake, Brenden M. et al «Human-level concept learning through probabilistic program induction». Science 11 Dec 2015: Vol. 350, Issue 6266, pp. 1332-1338.
Lang, James Small Teaching: Everyday Lessons from the Science of Learning, 2016.
Logan, Robert The Sixth Language: Learning a Living in the Internet Age. Stoddard Pub, 2000.
Marina, Jose Antonio & Rambaud, Javier Biografía de la humanidad
Historia de la evolución de las culturas.
Madrid, Ariel, 2018.
McLuhan, Marshall. The Gutenberg Galaxy. The making of the typographic man. Toronto, University of Toronto Press, 1962.
Nef, John La conquista del mundo material. Estudios sobre el surgimiento del industrialismo. Buenos Aires, Paidos, 1964
Nyce, James M. & Kahn, Paul From Memex To Hypertext: Vannevar Bush and the Mind’s Machine. Academic Press, 1991.
Sawyer, R Keat The Cambridge Handbook of the Learning Sciences. Cambridge University Press, 2014.
Sumeracki, Megan, & Weinstein, Yana. Understanding how we learn. A visual guide
Mumford, Lewis ???,
Von Schonburg, Pequeña historia portátil del mundo. Barcelona, 2016.
Watson, Peter Ideas. Historia intelectual de la humanidad. Madrid, Crítica, 2006.
Weisman, Alan El mundo sin nosotros. Madrid, Debate, 2007.

Innovación y Barbarie (Cápsula 5.5) 5.5 Aprendizaje pos-bancario
Scroll to top