Sinapsis Algorítmica: Un nuevo enfoque educativo

Imagen generada en Ideogram

La Inteligencia Artificial Generativa (IAGen) está desafiando los límites convencionales del sistema educativo superior al abrir nuevas rutas de aprendizaje algorítmico. Al rebasar las fronteras educativas tradicionalistas, la IAGen está revolucionando la forma en que los estudiantes acceden al conocimiento y activan sus conexiones mentales con las herramientas generativas. Esta tecnología emergente, no solo facilita el diseño de la instrucción y la realización de tareas, proyectos o exámenes, sino que también plantea desafíos éticos y metodológicos a ser analizados a profundidad. En este contexto dinámico, la IAGen emerge como una fuerza transformadora que promete rediseñar la educación superior y preparar a los estudiantes para un futuro cada vez más digitalizado y complejo.

Según la firma empresarial Gartner (2024), define a la IA como una tecnología que parece emular el desempeño humano, tradicionalmente aprendiendo, llegando a sus propias conclusiones, pareciendo entender el contenido complejo, participando en diálogos naturales con personas, mejorando el desempeño cognitivo humano o sustituyendo a las personas en la ejecución de tareas no rutinarias. La IA aplica técnicas avanzadas de análisis basadas en la lógica, incluido el aprendizaje automático, para interpretar hechos, apoyar, automatizar decisiones y realizar acciones.

Una de las principales implicaciones de la IA Generativa es la transformación del modelo de interacción persona-máquina. Se está produciendo la transición desde un paradigma determinista, basado en la ejecución de comandos concretos para obtener resultados únicos, a otro de tipo estocástico. Basado en una conversación con el modelo de lenguaje de larga escala (LLM), los resultados no necesariamente serán siempre idénticos, aunque sí equivalentes. Son el producto de complejos cálculos estadísticos realizados por algoritmos, imposibles de reproducir a posterioridad (Xavier Mas, 2024).

Los algoritmos se definen como conjuntos de instrucciones o reglas que se utilizan para realizar tareas específicas de forma autónoma por parte del modelo generativo de IA. Estos son diseñados para imitar la forma en que los humanos piensan y toman decisiones, utilizando técnicas como el aprendizaje automático, procesamiento del lenguaje natural y las capacidades de procesamiento de información de los súper-computadores. Suelen basarse en reglas y se construyen mediante procesamientos iterativos para reconocer patrones que permiten hacer predicciones basadas en el entrenamiento de datos. La evolución de tecnologías como la nube y el big data han contribuido a que la IA sea más rápida, económica y accesible a las personas. 

En el contexto educativo superior, la IAG se integra en diferentes actividades instruccionales. Enumeramos las que se pueden realizar en este momento de desarrollo tecnológico:

1. Creación de materiales educativos: Diseño y desarrollo de materiales educativos como contenidos textuuales, presentaciones digitales, ejercicios de práctica, audio podcast, video-animaciones y otros recursos de aprendizaje. Estos materiales se pueden personar según las necesidades y preferencias de los estudiantes, adaptándose a su nivel de conocimiento, estilo de aprendizaje y áreas de interés.

2. Formulación de ejercicios y problemas: Generación de situaciones hipotéticas para la práctica y evaluación, abarcando diferentes niveles de dificultad y áreas del conocimiento. Los estudiantes practican y aplican los conceptos aprendidos de manera interactiva y personalizada.

3. Tutoría y retroalimentación personalizada: Proporcionan retroalimentación personalizada y apoyo individualizado a los estudiantes. Identificación de áreas a mejorar, ofrecimiento de explicaciones adicionales y sugerencias para acceder recursos complementarios que refuercen los aprendizajes.

4. Experiencias de Aprendizaje: Diseño de actividades instruccionales, técnicas o estrategias innovadoras, programas de estudio, estructuras curriculares ramificadas, secuencias de aprendizaje activo, actividades complementarias basadas en el análisis predictivo.

5. Investigación y desarrollo: Análisis de grandes volúmenes de datos para identificar tendencias, patrones de aprendizaje, áreas de mejora en la enseñanza y el aprendizaje.

   Útiles para la investigación y desarrollo de nuevas prácticas docentes y enfoques instruccionales innovadores.

De igual manera, la IA Generativa plantea nuevos retos y desafíos en la Educación Superior que merecen ser examinados con mayor profundidad:

1. La posibilidad de generar un texto, resumir un artículo, crear una imagen, analizar un conjunto de datos u obtener una secuencia de código informático con una simple petición verbal, conlleva riesgos. Uno de los más visibles es la pérdida de control por parte de los humanos, tanto de los procesos de trabajo como de la calidad de los resultados. Este riesgo se acentúa especialmente si delegamos en la IA la emulación de habilidades de pensamiento de orden superior, gracias a la capacidad de ésta para ofrecer resultados plausibles y convencionalmente aceptables. Un escenario como éste podría conducir a un abandono progresivo del desempeño de dichas habilidades por parte de los humanos, con el consecuente desentrenamiento y pérdida de capacidades cognitivas superiores (Xavier Mas, 2024).

2. La dependencia excesiva de las herramientas de IA Generativa para realizar las tareas académicas, en lugar del pensamiento crítico y el esfuerzo mental, pudieran afectar la retención de la memoria, el funcionamiento cognitivo y las capacidades de pensamiento crítico. Así lo demuestra la investigación de Muhammad Abbas, Farooq Ahmed Jam & Tariq Iqbal Khan (2024).

3. Algunos educadores expresan preocupación por los posibles efectos negativos de la Agencia Estudiantil en términos del desarrollo de capacidades humanas de intervenir en su entorno de manera consciente y autónoma para toma de decisiones informadas y el control sobre los procesos de aprendizaje. Esto implica que los estudiantes sean entes activos en su proceso de crecimiento y desarrollo humano al establecer metas, tomar decisiones sobre qué aprender, cómo aprenderlo y cómo evaluar su propio desempeño. Que sean capaces de identificar sus propias limitaciones para aprender a superarlas por sí mismos sin depender de entes externos que les prescriba los recursos de apoyo necesarios en la construcción activa de su propio conocimiento. La investigación de Ali Darvishi, Hassan Khosravi, Shazia Sadiq , Dragan Gašević y George Siemens (2024) levanta esta bandera y nos invita a seguir investigando sobre este fenómeno educativo emergente.
4. Una limitación importante es la falta de capacidad de la IA para comprender y hacer inferencias sobre los estados mentales, los procesos de pensamiento y el conocimiento existente de los estudiantes. Sin esta capacidad, los tutores de IA luchan por identificar y abordar los conceptos erróneos de los estudiantes individuales, brindar orientación personalizada y desarrollar las conexiones personales que motivan e involucran a los alumnos a lo largo del tiempo. Los pensadores críticos pueden realizar habilidades como el análisis, sin duda, pero también realizan estas tareas de manera reflexiva y con humildad intelectual. Llegan a juicios subjetivos. La IA no puede pensar críticamente porque no sabe qué valorar, tiene un sesgo hacia la equidad y, desde luego, no puede reflexionar sobre sus propios pensamientos (Cristóbal Cobo, 2024).
   
   
5. Yann LeCunn (2024) expone que la parte generativa del cerebro es lo que convierte las ideas y los planes en acciones, incluidas las palabras habladas y escritas. Pero la parte difícil de la inteligencia es llegar a esas ideas y planes. En el cerebro, las ideas se forman en la corteza prefrontal. Convertirlas en acciones se ejecuta en la corteza motora y el cerebelo. Reducir la inteligencia a la generación es como reducir el software a las instrucciones de imprimir en el papel.
   
   
6. Noam Chumsky (2023) entiende que estos programas están atrapados en una fase pre-humana o no-humana de la evolución cognitiva. Su defecto más profundo es la ausencia de la capacidad más crítica de cualquier inteligencia para describir o predecir algo. “Por muy útiles que puedan ser estos programas en algunos ámbitos concretos (programación informática, o rimas de versos ligeros), sabemos por la ciencia de la lingüística y la filosofía del conocimiento que difieren profundamente de la forma en que los seres humanos razonan y utilizan el lenguaje. Estas diferencias imponen limitaciones significativas a lo que pueden hacer, codificándolos con defectos inerradicables” (Alexis Paiva, 2023).
7. Se plantean cuestionamientos sobre la responsabilidad y el sesgo algorítmico. Es fundamental asegurar que los modelos IAGen utilizados en educación sean transparentes, explicables y justos, evitando la reproducción de prejuicios y discriminaciones. También es necesario establecer mecanismos de rendición de cuentas y supervisión para garantizar que los sistemas de IA no tomen decisiones que puedan perjudicar a los estudiantes.

Los planteamientos presentados, nos llevan a profundizar sobre la posibilidad de enfrentar una nueva emergencia educativa con la proliferación de herramientas generativas de la IA. Estamos frente a una creación humana en sus primeras etapas de desarrollo que seguirá expandiendo sus capacidades algorítmicas hasta alcanzar altos niveles NeuroTecnológicos. Nos referimos a un campo en rápido crecimiento dirigido a entender el funcionamiento del cerebro humano con la finalidad de crear tecnologías que interactúen con él. Por tanto, el sistema educativo superior enfrenta la dicotomía de los grandes avances de la IA generativa, así como desafíos significativos que requieren respuestas urgentes y efectivas.

Es por esta razón que decidimos publicar este post con la finalidad de aportar al fenómeno tecno-educativo que está provocando la IAGen en el escenario universitario. Actualmente, estamos experimentando con modelos algorítmicos utilizados principalmente para aumentar las capacidades creativas y automatizar algunas las tareas humanas. Sin embargo, creemos que la integración de la IA Educativa debería dirigirse más hacia las formas de humanizar las generaciones algorítmicas en los procesos de aprendizaje.

El campo de la neurociencia nos permite estudiar a nivel sináptico cómo funcionan nuestros cerebros. La sinápsis neuronal es un proceso fundamental en el funcionamiento del sistema nervioso que permite la comunicación entre las neuronas. Se trata de una conexión especializada entre dos neuronas, donde se transmite la información en forma de señales electro-químicas. La neurona presináptica es la encargada de enviar la señal, mientras que la neurona postsináptica la recibe. La comunicación entre ambas neuronas se realiza a través de pequeñas estructuras llamadas vesículas sinápticas que contienen neurotransmisores. Estos son sustancias químicas encargadas de transmitir la señal de una neurona a otra.

Cuando una señal eléctrica llega a la neurona presináptica, se producen cambios en su membrana que desencadenan la liberación de los neurotransmisores en el espacio sináptico. Estos neurotransmisores se unen a receptores específicos en la membrana de la neurona postsináptica, generando una respuesta eléctrica en esta última. De modo que, la sinápsis neuronal es esencial para el procesamiento de la información en el cerebro y juega un papel crucial en funciones cognitivas como el aprendizaje y la memoria. El enfoque educativo de la Sinapsis Algorítmica es una propuesta que hacemos con el objetivo de activar las capacidades humanas en el núcleo de la educación algorítmica (Juan Domingo Farnós), de la misma manera que pretendemos llevar a los estudiantes al centro de su proceso de aprendizaje.

La Sinapsis Algorítmica (SA) se define como la fusión revolucionaria de la capacidad neuronal del cerebro humano con los procesos algorítmicos de la inteligencia artificial (IA). Mediante esta simbiosis, las conexiones neuronales del cerebro interactúan con los algoritmos de la IA para potenciar los procesos mentales que provocan el aprendizaje. Este enfoque se basa en la analogía entre las sinapsis cerebral y los algoritmos de la IAGen. Al igual que la sinapsis permite la transmisión de señales entre neuronas, los algoritmos en la IA permiten el procesamiento y transmisión de información a través de redes neuronales artificiales. La SA representa una nueva frontera en la investigación y desarrollo de la IA Educativa con el potencial de revolucionar la forma en que los humanos interactuamos con la tecnología y expandimos nuestras capacidades de aprendizaje.

En la imagen superior, podremos contextualizar la práxis colaborativa ciber-humana. El cerebro encomienda la responsabilidad de ser creativa, proporcionar razonamiento abstracto, intuición y emocionalidad. Mientras que la IA es responsable de la velocidad de procesamiento, la capacidad para dimensionar datos masivos y encontrar patrones difíciles en los grupos de datos utilizados para el entrenamiento de la base de datos. Tal intervención es relevante cuando se trata de usuarios de IAGen en procesos de aprendizaje humano. Los usuarios de la IA interactúan con modelos LLM que generan contenidos en diversos formatos, pero en paralelo, existe una programación algorítmica para aprender y evolucionar en base a la interacción humana. De modo que la SA sirve como un puente entre las funciones electro-químicas de la mente humana y las operaciones algorítmicas ejecutables en los modelos de integración de larga escala.  

Además, la SA también puede ser vista como una práctica instruccional centrada en ampliar las capacidades cognitivas y creativas del ser humano. Al integrar la IAGen en los procesos de pensamiento y aprendizaje, los usuarios integrarían diferentes de recursos digitales con otras perspectivas transversales, investigaciones científicas y modelos mentales emergentes. Esto podría conducir a avances significativos en los campos de la ciencia, arte, ingeniería, educación y muchos otros, impulsados por una colaboración simbiótica entre la mente humana y la IA Generativa.

Hablamos de un enfoque tecno-educativo que establece una convergencia revolucionaria entre la inteligencia humana y la generativa, en la cual las capacidades únicas de cada una se complementan y potencian mutuamente para impulsar aprendizajes y la creatividad hacia nueva fronteras del conocimiento. Su objetivo final consiste en activar las zonas neuronales para conectarlas con las capacidades algorítmicas de los modelos generativos. Nuestros cerebros no deberían operar para la simple entrega generativa, sino para la construcción de relaciones sostenibles, pensamientos abstractos, ideas complejas, decisiones informadas, procesos anaíticos y solución de conflictos altamente complicados. Hablamos de cerebros aumentados, no de cerebros memorísticos.

En el contexto de la transformación digital, la gente y los ordenadores están entrando en una intrigante simbiosis. No es solo que los algoritmos actúen sobre nosotros, sino que nosotros también actuamos sobre los algoritmos. Desde esta perspectiva, lo importante no son solo los efectos de los algoritmos sobre los actores sociales, sino las interrelaciones entre los algoritmos y los actos sociales de adaptación Daniel Innerarity (2024). 

Cuando utilizamos tecnologías que no opacan o trastornan los que signifca el ser humano, estamos hablando de lo que se conoce como Ingeniería Positiva (IP). Desde el punto de vista educativo, la IP se centra en el diseño, desarrollo e implantación responsable y ética de las herramientas de Tecnología Educativa (EdTech) que amplifican los procesos mentales. Amplificar consiste en visualizar las conexiones mentales de los aprendices en diversidad de aplicaciónes tecnológicas. Lo que busca es mejorar la calidad de vida de los aprendices, así como su bienestar individial y colectivo.

Un aspecto fundamental de la IP es su compromiso con el empoderamiento humano. Esto implica diseñar tecnologías que promuevan la autonomía, inclusión y el desarrollo personal, en lugar de crear sistemas que subyuguen o excluyan a las personas. Por ejemplo, en el campo de la IA Educativa, esto recaerá en el desarrollo de algoritmos en sistemas transparentes, interpretables y justos, evitando así la creación de sistemas algorítmicos que perpetúen los sesgos y discriminación.

De modo que:

1. Saber formular instrucciones claras, completas y sin ambigüedades.
2. Evaluar de forma crítica los resultados proporcionados por los modelos generativos.
3. Aplicar el razonamiento lógico a través del dominio del lenguaje. 
4. Liderar una conversación para llegar a obtener los resultados esperados... 

... son algunas recomendaciones necesarias de Xavier Mas (2024) para potenciar las capacidades ciber-humanas. 

Aunque algunas arquitecturas IA (redes neuronales digitales y sistemas de aprendizaje profundo), están diseñadas para emular la estructura y función de las redes neuronales humanas, están muy lejos de ser equivalentes a un cerebro humano. Un LLM puede describirse como un cerebro sin entradas sensoriales ni agencia. Un cerebro sin mente, conciencia y autoconciencia. Al construir respuestas a preguntas textuales, la IAGen predice palabras una por una sin comprender ni ser consciente de su significado. Como un loro que repite lo que ha oído del humano sin comprender lo que significan esas palabras, los LLM son una
actuación de exposición sin comprensión ni metacognición.

No se trata de producir un texto bien estructurado sino de desarrollar la capacidad mental de organizar las propias ideas, conectarlas con las ideas de otros, analizar afirmaciones, sintetizar conocimientos y satisfacer nuestra necesidad fundamental de comunicarnos con los demás y aprender de ellos (Lydia Cao y Chris Dede, 2024).

 

En última instancia, la Sinápsis Algorítmica aspira a utilizar la IAGen como un recurso tecno-educativo que promueve el progreso humano, enriqueciendo nuestras vidas de manera significativa y sostenible. Al hacerlo, busca garantizar que el avance tecnológico esté alineado con los valores humanos fundamentales, preservando la dignidad, la libertad y el bienestar de las personas en un mundo cada vez más digitalizado.