1
2
Inteligencia artificial para la conciencia y orientación en entornos
educativos
Juan Carlos Lázaro Guillermo, Orison Valera Dávila, Norberto Ulises Román
Concha, Erick Guitton Lozano, Ricardo Julián Oliva Paredes, Juan Luis Pérez
Marín
© Juan Carlos Lázaro Guillermo, Orison Valera Dávila, Norberto Ulises Román
Concha, Erick Guitton Lozano, Ricardo Julián Oliva Paredes, Juan Luis Pérez
Marín, 2024
Primera edición: Julio, 2024
Editado por:
Editorial Mar Caribe
www.editorialmarcaribe.es
Av. General Flores 547, Colonia, Colonia-Uruguay.
Diseño de cubierta: Yelitza Sánchez Cáceres
Libro electrónico disponible en https://editorialmarcaribe.es/inteligencia-artificial-
para-la-conciencia-y-orientacion-en-entornos-educativos/
Formato: electrónico
ISBN: 978-9915-9682-8-5
Aviso de derechos de atribución no comercial: Los autores pueden autorizar al
público en general a reutilizar sus obras únicamente con fines no lucrativos, los
lectores pueden usar una obra para generar otra obra, siempre y cuando se dé el
crédito de investigación y, otorgan a la editorial el derecho de publicar primero su
ensayo bajo los términos de la licencia CC BY-NC 4.0.
3
WWW.EDITORIALMARCARIBE.ES
____________________________________________________________
Inteligencia artificial para la
conciencia y orientación en
entornos educativos
____________________________________________________________
EDITORIAL MAR CARIBE
COLONIA DEL SACRAMENTO, URUGUAY
2024
Sobre los autores y la publicación
4
Juan Carlos Lázaro Guillermo
https://orcid.org/0000-0002-4785-9344
Universidad Nacional Intercultural de la
Amazonia, Perú
Orison Valera Dávila
orison_valera@unu.edu.pe
https://orcid.org/0000-0002-3972-6330
Universidad Nacional de Ucayali, Perú
Norberto Ulises Román Concha
uromanc@unmsm.edu.pe
https://orcid.org/0000-0002-3302-7539
Universidad Nacional Mayor de San
Marcos, Perú
Erick Guitton Lozano
https://orcid.org/0000-0001-8819-0555
Universidad Nacional Intercultural de la
Amazonia, Perú
Ricardo Julián Oliva Paredes
https://orcid.org/0000-0002-9751-1610
Universidad Nacional Intercultural de la
Amazonia, Perú
Juan Luis Pérez Marín
https://orcid.org/0000-0002-3671-1782
Universidad Nacional Intercultural de la
Amazonia, Perú
Libro resultado de investigación:
Publicación original e inédita, cuyo contenido es resultado de un proceso de investigación
realizado antes de su publicación, ha sido revisada por pares externos a doble ciego, el
libro ha sido seleccionado por su calidad científica y porque contribuye
significativamente en el área del saber e ilustra una investigación completamente
desarrollada y completada. Además, la publicación ha pasado por un proceso editorial
que garantiza su estandarización bibliográfica y usabilidad.
Tabla de Contenido
5
Sinopsis ................................................................................................................... 6
Prólogo .................................................................................................................... 8
Capítulo I .............................................................................................................. 10
Relación entre Conciencia y la Inteligencia Artificial .......................................... 10
1.1 El Dualismo ................................................................................................. 11
1.2 El Monismo ................................................................................................. 15
1.3 El Conductismo ........................................................................................... 17
1.4 La Teoría de la Identidad............................................................................. 20
1.5 El Funcionalismo ......................................................................................... 24
1.6 El Funcionalismo y la Ciencia Cognitiva .................................................... 27
1.7 Turing y sus Nociones Básicas de la IA ...................................................... 29
Capítulo II ......................................................................................................... 34
Arquitectura Cognitiva y Funcionalismo .......................................................... 34
2.1 Inteligencia Artificial Fuerte ....................................................................... 37
2.2 La Mente y la Inteligencia Artificial ........................................................... 38
2.3 Conciencia y Funcionalismo ....................................................................... 42
2.4 Conciencia más IA ...................................................................................... 48
Capítulo III ............................................................................................................ 55
Hacia un Futuro en el que Aprendizaje no solo es Convencional, sino también
Inteligente y Eficiente ........................................................................................... 55
3.1 IA para Educación Especial ........................................................................ 58
3.2 Educación en el Futuro ................................................................................ 71
3.3 Aprendizaje Inteligente ............................................................................... 78
3.4 Características Del Aprendizaje Inteligente ................................................ 84
3.5 Algoritmos de IA como uso de Herramientas Educativas .......................... 88
3.6 Plataformas e-learning con IA para Entornos Educativos........................... 91
Capítulo IV ........................................................................................................ 97
Investigación y Aprendizaje en áreas de la IA .................................................. 97
4.1 Orientación Tecnológica .......................................................................... 100
4.2 Función del Software ............................................................................... 101
4.3 Aprendizaje con Robótica ........................................................................ 103
Conclusión .......................................................................................................... 123
7
La integración de la inteligencia artificial (IA) en los entornos de
aprendizaje presencial, virtual e híbrido no significa que los docentes serán
desplazados por robots automatizados. Si bien este avance tecnológico ofrece
beneficios como la capacidad de mecanizar ciertas tareas, personalizar
experiencias de aprendizaje y mejorar la asertividad en investigación científica; es
importante reconocer que los docentes discrepan aun en la profesionalización
desde la automatización de procesos. Esto se debe a que los educadores juegan un
papel vital en el fomento de entornos de aprendizaje auténticos, identificando las
necesidades y habilidades individuales pero que se hace difícil en la tarea grupal.
Por ello, entra a talla la inteligencia artificial. Es hora de implementar la IA en los
espacios de aprendizaje, en la gestión educativa y en la innovación del currículo
escolar en todos los niveles de educación, con ética y deontología.
8
Prólogo
La implementación de tecnologías de inteligencia artificial y realidad
aumentada pueden crear experiencias de aprendizaje dialógicas, interactivas e
inmersivas. Estas tecnologías avanzadas brindan a los estudiantes un entorno de
aprendizaje asertivo, realista y contextualizado a la necesidad metacognitiva,
comprensión autorregulación del aprendizaje. Promover el aprendizaje
colaborativo es una estrategia eficaz para que las universidades implementen el
machine learning, aula invertida, socialización de conocimientos, entre otros. Este
enfoque anima a los estudiantes al debate social y dirigido, para crear entornos de
aprendizaje significativo (Zalani, 2022). Al participar en actividades cooperativas,
los estudiantes optiman la comprensión lectora y desarrollan habilidades blandas
y la transdisciplinariedad.
El uso de algoritmos de aprendizaje automático es la alternativa de
corregir la precisión del aprendizaje a partir del constructivismo. Al integrar estos
algoritmos con la narrativa y la oralidad, el sistema educativo puede volverse
eficaz, que satisfaga las necesidades y pericias específicas de cada estudiante.
Aprender a codificar y programar es un aspecto importante de la inteligencia
artificial, basada en códigos y sintaxis de programación, por ello es fundamental
que los estudiantes comprendan cómo la inteligencia artificial en la resolución de
problemas y promover el pensamiento crítico mediado en el aprendizaje basado
en problemas. los estudiantes desarrollan las habilidades para analizar y superar
desafíos.
Implementar la inteligencia artificial en los espacios de aprendizaje,
implica el uso responsable y ético de las tecnologías, la colaboración con pares,
fomentar la creatividad, aprender a programar y reforzar la comprensión lectora
del texto escrito, como situación didáctica y aprendizaje adaptativo. Pero, la
reevaluación de los métodos de enseñanza a la luz de la automatización digital se
extiende mucho más allá de los aspectos técnicos del diseño, la programación y la
implementación del sistema; abarca la adopción de un modelo de aprendizaje
centrado en plataformas en línea, multimedia y virtuales. Por lo que la tecnología
del sistema de gestión de aprendizaje (LMS) basada en la nube se está volviendo
cada vez más popular en las universidades, ya que ofrece métodos de capacitación
flexible y autogestión de los contenidos impartidos por los docentes de aula. Al
integrar la IA y la tecnología en la nube en el LMS, los estudiantes pueden
acceder a información y recursos educativos en cualquier momento y desde
cualquier lugar.
9
Entre las principales ventajas de los sistemas de aprendizaje adaptativo es
su capacidad para proporcionar contenido e instrucción personalizado para
satisfacer las necesidades específicas de los participantes del sistema educativo,
sin importar el nivel o ciclo. En lugar de seguir un enfoque único para todos, estos
sistemas pueden ajustar el nivel de dificultad, el ritmo y el estilo de instrucción
para que coincidan con los requisitos únicos del currículo, dejar atrás el
conductismo y estableces de una vez por todas el constructivismo y el aprendizaje
basado en proyectos, con sentido holístico e intercultural. La historia de la
educación tradicional vivió una transformación después del COVID-19, las
circunstancias y la necesidad de emprender ante nuevos enfoques de vida,
conllevó al progreso notable en el campo de la inteligencia artificial (IA), que
ahora está revolucionando no en el ámbito de la educación universitaria sino en
las áreas de investigación. Se pronostica que esta tendencia persistirá y se
expandirá a mediano, plazo, generando una mayor eficiencia y eficacia en el
proceso de gestión e innovación de la educación.
Sin duda, a través de este libro se explora la usabilidad pedagógica de la
inteligencia artificial, a través de estudios de caso y la reconfiguración en la
forma en que los estudiantes adquieren conocimientos y los docentes los
imparten, introduciendo así nuevas vías de personalización y adaptación en el
ámbito educativo. A medida que la tecnología avanza y se entrelaza más con la
sociedad, el papel de los docentes universitarios se vuelve cada vez más crucial en
la preparación de los estudiantes para su adaptación al campo laborar autómata y
los desafíos que se avecinan.
10
Capítulo I
Relación entre Conciencia y la Inteligencia Artificial
Para profundizar en los intrincados desafíos que enfrenta la Inteligencia
Artificial cuando se trata de comprender la conciencia, se vuelve imperativo
comprender la causa raíz de estos obstáculos, que se conoce comúnmente como el
desconcertante “Problema Mente-Cuerpo”, para iniciar la exploración de este
asunto y en consecuencia, del enigma de la conciencia misma, se puede ilustrar
con un encuentro personal. Imagínese sentado tranquilamente en un parque
sereno, con un libro cautivador debajo del brazo, mientras sus pensamientos
deambulan por las complejidades de la economía nacional durante los últimos
meses. Después de tomar la decisión deliberada de recuperar un libro en particular
de la biblioteca de su oficina, abre cuidadosamente sus páginas y se sumerge en
las palabras, avanzando lentamente a través del texto hasta que llega a la décima
página.
Sin embargo, su tranquila sesión de lectura se interrumpe abruptamente
cuando un pequeño mosquito aterriza inocentemente en su mano, sin saberlo,
inyectando su toxina venenosa en su piel desprevenida. Una ligera sensación de
picor le alerta inmediatamente de la presencia de este irritante insecto en su dedo
anular, obligándole a reaccionar con rapidez. Sin dudarlo, agarra con firmeza el
libro por la tapa, con la intención de aniquilar rápidamente la plaga persistente y
poner fin a su molesta interrupción. La sensación que se siente de un pinchazo
tiene características distintas, uno de ellos es que solo existe mientras se
experimenta conscientemente, lo que lo convierte en una experiencia
completamente subjetiva. Solo usted puede comprender y sentir verdaderamente
la sensación, ya que nadie más puede percibirla desde el exterior. Otra
característica de este dolor es su carácter cualitativo, específicamente asociado a
molestias físicas.
En resumen, se podría afirmar que el nivel de incomodidad causado por la
picadura de un mosquito está abierto a interpretación y depende de la percepción
de un individuo. Sin embargo, cuando redirigimos nuestra atención a los diversos
componentes que se encuentran en un parque, a saber, los árboles, el banco y el
libro, se hace evidente que estas entidades no dependen de la subjetividad. En
cambio, existen de forma autónoma, separadas de nuestros encuentros personales,
y están compuestas de materia concreta y estructuras celulares. La noción de
experimentar lo que es ser una sola célula o un libro, en términos de calidad, es
11
simplemente inalcanzable. Estos objetos persisten más allá de nuestros propios
puntos de vista y encuentros únicos.
El propósito de esta distinción entre los elementos del parque es
proporcionar evidencia de que las experiencias subjetivas tienen una existencia
tangible y genuina dentro del mundo, al tiempo que reconoce la existencia de un
mundo más allá de las prácticas personales. Este contraste entre lo mental y lo
material crea una dicotomía que da lugar al problema mente-cuerpo, tal como lo
describe Searle en 2004. El autor plantea preguntas que invitan a la reflexión
sobre la coexistencia de experiencias conscientes y partículas físicas. Además,
reflexiona sobre la intrincada conexión entre ciertas partículas físicas,
específicamente aquellas que se encuentran dentro del cerebro, y la manifestación
de experiencias mentales. Estas preguntas profundizan en la naturaleza compleja
de la conciencia y desafían nuestra comprensión de la relación entre los reinos
físico y mental. Para decirlo en otros términos, corresponden explorar los
mecanismos a través de los cuales los aspectos intangibles y cognitivos de la
existencia pueden influir en el mundo tangible y material.
A lo largo de la historia, los académicos han lidiado con el problema
mente-cuerpo, un enigma filosófico que se ha abordado desde dos perspectivas
principales: el dualismo y el monismo, si bien la exploración de la mente se
remonta a los antiguos pensadores griegos, como Aristóteles, fue durante la era
moderna cuando la Filosofía de la Mente realmente tomó forma, encabezada por
René Descartes y su innovador punto de vista dualista. Los argumentos de
Descartes sobre el problema mente-cuerpo han tenido un profundo impacto en los
filósofos posteriores, consolidando su posición como la figura más influyente en
este campo, particularmente a partir del siglo XVII.
1.1 El Dualismo
Uno de los principios más conocidos de Descartes, conocido como
“Dualismo”, postula que el mundo se compone fundamentalmente de dos tipos
distintos de sustancias: Sustancias Mentales y Sustancias Físicas, estas sustancias
poseen cualidades esenciales únicas que definen su naturaleza. La mente, por
ejemplo, se define por su conciencia, mientras que el cuerpo se caracteriza por su
naturaleza “extendida”, lo que significa que existe e interactúa dentro de un
espacio físico tridimensional. Descartes sugiere que el aspecto central de la mente
es la conciencia, lo que implica que nuestra existencia como seres depende de
estar en un estado de conciencia, en otras palabras, la existencia está ligada a la
conciencia. Del mismo modo, cuando Descartes afirma que la esencia del cuerpo
es la extensión, quiere decir que el cuerpo se caracteriza por tener dimensiones
físicas.
12
Esto incluye tanto los objetos como las entidades presentes en el mundo
físico, incluido el mundo mismo, que se puede observar y experimentar en el
ámbito del espacio. Como seres humanos, es importante reconocer que no somos
simplemente seres físicos, sino entidades complejas que consisten tanto en un
cuerpo físico como en una mente no física. Este concepto del yo, a menudo
referido como “yo”, es esencialmente una mente que está intrincadamente
conectada con un cuerpo físico. No obstante, es importante comprender que, a
pesar de su conexión, la mente y el cuerpo son fundamentalmente distintos entre
sí. Esta interacción se hace evidente de varias maneras. Por ejemplo, los estados
físicos de nuestros órganos de los sentidos, como los ojos, los oídos, la nariz y la
piel, son fundamentales en la configuración de nuestras experiencias mentales.
Las imágenes visuales que percibimos, las sensaciones táctiles que
sentimos y los olores que encontramos están todos influenciados por el
funcionamiento físico de nuestros órganos sensoriales, y estas experiencias luego
son procesadas e interpretadas por la mente. Dentro de esta intrincada relación, la
mente encuentra su morada dentro del cuerpo físico que poseemos. Es una entidad
no física que de alguna manera existe dentro de los confines del ser físico. Con
todo, a pesar de su naturaleza intangible, la mente tiene un profundo impacto en el
cuerpo y viceversa. Están comprometidos en una interacción continua y
sistemática. Por el contrario, los deseos, pensamientos e intenciones que surgen
dentro de la mente no física también pueden influir significativamente en el
comportamiento y las acciones del cuerpo físico.
La mente tiene el poder de hacer que el cuerpo se comporte de maneras
específicas, lleve a cabo ciertas acciones y responda a estímulos externos, es decir
como seres humanos, no estamos definidos únicamente por nuestra existencia
física, somos seres intrincados compuestos de un cuerpo físico y una mente no
física, si bien estos dos aspectos de nuestro ser son inseparables, siguen siendo
fundamentalmente diferentes. La mente reside dentro del cuerpo, y su interacción
continua da forma a nuestras experiencias, comportamientos y existencia en
general. La conexión entre la mente y el cuerpo, según Descartes, puede
entenderse a través del concepto de “Espíritus animales”, una sustancia material
sutil. Descartes creía que hay dos sustancias distintas, pero el aspecto mental tiene
mayor importancia porque es lo que podemos experimentar y comprender
directamente a través de la introspección, lo que confirma su naturaleza no física,
por el contrario, el conocimiento del cuerpo físico, su existencia y sus atributos se
adquiere indirectamente a través de la inferencia basada en los contenidos de la
propia mente.
13
Para demostrar el alcance de la teoría dualista, se pueden reevaluar los
postulados de Descartes a la luz de los descubrimientos de la neurociencia
moderna. Si tuviéramos que expresar la doctrina cartesiana utilizando el lenguaje
científico actual, afirmaría que nuestros cuerpos, sistemas nerviosos y estructuras
celulares están desprovistos de conciencia en cualquier circunstancia. La doctrina
cartesiana tuvo una influencia significativa durante un lapso de dos siglos, pero
enfrentó críticas de autores clásicos como Hobbes y otros filósofos materialistas
que cuestionaron sus supuestos fundamentales y el concepto de sustancias duales.
Este escepticismo surgió porque la propuesta de Descartes no logró explicar
adecuadamente la relación entre el cuerpo y la mente.
Si bien las características ontológicas de estas sustancias estaban
claramente definidas, Descartes no abordó cómo los reinos de la materia y la
mente están conectados, interactúan o se influyen entre sí. La falta de explicación
sobre la interacción entre los elementos espaciales y no espaciales dejó un vacío
en la comprensión. Igualmente, aunque el dualismo se alineaba bien con las
creencias religiosas de la época, ya que muchas religiones creían en la
supervivencia del alma después de la muerte, la doctrina cartesiana comenzó a
perder favor debido a su incapacidad para establecer relaciones causales claras
entre los aspectos físicos y mentales de existencia. El cuerpo y el sistema nervioso
central y autónomo pueden verse como recipientes protectores de nuestra mente,
de forma similar a como una planta está viva pero no consciente. A pesar de estar
vivo, el cuerpo no posee conciencia. No importa lo que aprendamos de campos
como la física, la neurobiología o la inteligencia artificial, no es posible
comprender completamente la sustancia inmaterial de la mente.
Hay una conexión misteriosa entre la mente y el cuerpo y esta conexión se
corta con la muerte, es difícil para los enfoques científicos que se centran
únicamente en el material explicar las complejidades de la vida mental. Usando
una terminología más moderna, queda claro cómo suenan teorías radicales como
la de Descartes. Un problema importante con la adopción de un enfoque similar a
este es que presenta una multitud de desafíos y complejidades al intentar
establecerlo como una hipótesis científica viable. Es ampliamente reconocido que
el funcionamiento de la mente humana depende en gran medida de procesos
neurobiológicos específicos dentro del cerebro, así como en todo el sistema
nervioso en general. Sin embargo, es plausible considerar que, en un futuro
lejano, la conciencia podría emerger posiblemente dentro de una base física
alternativa, distinta del sistema nervioso convencional.
En resumen, el dualismo cartesiano se sustenta en tres tipos de
argumentos: el religioso, la introspección y la irreductibilidad. El argumento
14
religioso encuentra respaldo en las doctrinas y creencias religiosas que proponen
la existencia de una vida después de la muerte y un yo no físico. El argumento de
la Introspección, enfatiza la idea de que nuestra vida mental es el único aspecto al
que podemos acceder directamente, dándole superioridad sobre el mundo físico,
que solo podemos conocer indirectamente. Por último, el argumento de la
irreductibilidad cuestiona la noción de que las ciencias naturales pueden explicar
completamente los fenómenos mentales que se extienden más allá del ámbito
físico, para ilustrarlo se tienen las experiencias como la degustación de un vino, la
cual no se puede predecir o anticipar únicamente en función del conocimiento de
su estructura molecular por parte de un químico o físico.
Estos tres argumentos, aunque puedan parecer atrayentes, han enfrentado
críticas desde diversas perspectivas. Otra versión del dualismo, conocida como
dualismo de propiedades, surgió más tarde y se considera algo más moderada en
comparación con el dualismo de sustancias mencionado anteriormente. A
diferencia de la noción de dualismo de sustancias de Descartes, el dualismo de
propiedades no propone la existencia de dos reinos separados o sustancias
diferentes para la mente y el cuerpo. En cambio, sugiere que hay dos tipos
distintos de propiedades en el mundo: propiedades físicas y propiedades mentales.
Las propiedades físicas abarcan atributos como la carga eléctrica, la masa y la
gravedad, que son medibles y definen un objeto o sistema. Los cambios en estas
propiedades se pueden utilizar para describir los cambios en el objeto o sistema.
Por otro lado, las propiedades mentales incluyen experiencias como el placer, los
pensamientos y la apreciación estética, que son características de la inteligencia
consciente. Por ejemplo, cuando alguien se masajea el cuello y se siente relajado,
esta experiencia representa la manifestación de la propiedad "Estar relajado". El
cerebro humano posee ambos tipos de propiedades, por lo tanto, el dualismo de
propiedades postula que no hay dos reinos separados, sino dos tipos distintos de
propiedades, físicas y mentales, que coexisten dentro del cerebro.
Si bien el dualismo de propiedades puede abordar la preocupación de dos
sustancias distintas que coexisten en el mundo, aún enfrenta el mismo problema
que el dualismo de sustancias cuando se trata de explicar la conexión entre la
mente y el cuerpo. Además, el dualismo de propiedades no ofrece explicaciones
alternativas para la relación entre los eventos físicos y mentales. Al mismo
tiempo, surge un nuevo desafío al comprender cómo estas propiedades mentales
ejercen una influencia causal en el ámbito físico. Una de las deficiencias del
dualismo de propiedades es su incapacidad para proporcionar una explicación de
cómo las propiedades no físicas del cerebro, específicamente los estados mentales
conscientes, pueden tener un impacto causal en los eventos físicos del mundo.
15
Este problema se puede capturar sucintamente en una pregunta
fundamental: ¿Cómo puede una propiedad mental, que no es de naturaleza física,
desempeñar un papel en la causa de los eventos físicos? Disciplinas científicas
como la física y la química han demostrado que el universo opera de manera
causalmente cerrada, lo que significa que la causalidad física es suficiente para
explicar todos los fenómenos del mundo. En consecuencia, se vuelve plausible
argumentar que los estados mentales conscientes no tienen influencia en el
universo y pueden ser considerados como algo parecido a un “epifenómeno”
(Churchland, 1984). En otras palabras, la conciencia puede ser un fenómeno que
surge de la función cerebral pero no tiene relevancia causal.
En este escenario particular, la conexión entre la conciencia y el cerebro
puede compararse con el sonido que se genera cuando una computadora está
funcionando, así como el sonido es simplemente un subproducto de los
componentes físicos y las conexiones dentro de la computadora, no tiene ningún
impacto o influencia en el funcionamiento y procesamiento real de la máquina, de
manera similar, la conciencia y otros fenómenos mentales pueden considerarse
resultados emergentes, lo que significa que surgen de las complejidades del
cerebro sin tener ningún efecto causal directo en el sistema mismo. En
consecuencia, aunque el dualismo de propiedades no necesariamente nos obliga a
aceptar la existencia de dos sustancias distintas dentro del universo, sí nos impulsa
a plantear la hipótesis de que el cerebro posee atributos no físicos que difieren
marcadamente de la composición bioquímica del resto del cuerpo.
Al mismo tiempo, esta perspectiva no ofrece una explicación para estas
propiedades distintivas dentro de nuestra comprensión del universo y sus
mecanismos, obligándonos en última instancia a persistir en reconocer la
presencia de algo inmaterial e intangible, alcanzable únicamente a través de la
introspección y desprovisto de cualquier apariencia de rigor científico, esto lleva
al punto en el que se debe elegir entre dos opciones alternativas: aceptar que las
sensaciones y experiencias son simplemente subproductos de los cuerpos físicos,
o considerar la posibilidad de que solo exista una sustancia fundamental. En este
escenario, se tendría que considerar la noción de que estamos compuestos
únicamente de materia o únicamente de nuestra conciencia. Este punto de vista
alternativo nos presentaría una nueva perspectiva sobre el problema mente-cuerpo
y se desarrolla más en la siguiente sección: el concepto de monismo.
1.2 El Monismo
En contraste con la idea de que el mundo consta de dos sustancias o
propiedades distintas, una perspectiva alternativa conocida como monismo
sugiere que esta dualidad no existe. Según el monismo, solo hay un tipo de
16
sustancia, como resultado, el monismo se puede clasificar en dos tipos
principales: el monismo “mentalista”, también conocido como idealismo, y el
monismo “materialista”, también conocido como materialismo. El idealismo
sugiere que la estructura del universo está fundamentalmente enraizada en el reino
de la mente o el espíritu, de acuerdo con esta perspectiva, no existe nada más allá
del reino de las ideas, lo que implica que todos los aspectos de nuestras
experiencias mentales y físicas pueden entenderse como manifestaciones de ideas.
En esencia, el idealismo afirma que la naturaleza fundamental de la
realidad se basa en el reino de las ideas, con la mente humana sirviendo como
catalizador para su generación. En el ámbito de la filosofía de la mente, el
idealismo se opone directamente al materialismo, que postula que el mundo
material es el fundamento último de la realidad. La teoría del materialismo sugiere
que la esencia fundamental de la realidad se basa en sustancias físicas. Argumenta
que no hay nada más allá del universo material y por lo tanto, cualquier fenómeno
puede explicarse únicamente en términos del mundo material. Sin embargo,
Blackmore en el 2005 señaló una falla en esta perspectiva. Argumenta que
priorizar la mente y las ideas, como lo hace la perspectiva idealista, crea una
contradicción cuando se trata de explicar la existencia de un mundo físico
consistente fuera de nuestros propios pensamientos. Es evidente que el mundo
sigue existiendo incluso sin nuestras ideas sobre él y los fenómenos naturales
como la gravedad persisten independientemente de la comprensión humana. Por
lo que las perspectivas idealistas, aunque históricamente significativas, carecen de
relevancia e influencia en la investigación científica contemporánea.
Una de las escuelas de pensamiento más dominantes y de mayor alcance
en el campo de la filosofía de la mente a lo largo de los siglos XX y XXI han sido
las diversas corrientes del materialismo. El materialismo afirma que la única
existencia que puede reconocerse es la de la materia física y cualquier fenómeno o
suceso solo puede comprenderse y explicarse dentro del marco de la realidad
material. Con respecto a los diversos estados de la mente, el individuo afirma que
si estos estados realmente existen, en última instancia deben atribuirse y
entenderse en términos de estados físicos. Esta afirmación en particular ha estado
profundamente arraigada en el ámbito de la Ciencia Cognitiva desde sus inicios, y
también ha permeado otras ramas de estudio que profundizan en las
complejidades de la mente humana.
Como resultado, esta perspectiva ha facilitado y alentado en gran medida
la exploración de la mente, permitiendo un examen fructífero no solo de sus
funciones, sino también de los numerosos fenómenos que abarcan nuestras
experiencias mentales y nuestra existencia. Cuando se enfrenta al desafío de
17
comprender la relación entre la mente y el cuerpo, existen múltiples perspectivas
dentro del materialismo que ofrecen diferentes puntos de vista. Si bien todas estas
perspectivas coinciden en que el mundo físico juega un papel fundamental en la
explicación de los fenómenos mentales, cada una destaca aspectos distintos que
otras teorías pueden pasar por alto. Los tres enfoques que se explorarán son el
conductismo, el materialismo reduccionista (también conocido como teoría de la
identidad) y el funcionalismo, específicamente el funcionalismo computacional.
1.3 El Conductismo
El concepto de materialismo en su forma inicial surgió a principios del
siglo XX con las contribuciones de psicólogos influyentes como Watson y
Skinner, su impacto e influencia alcanzaron su punto máximo en las dos décadas
posteriores a la Segunda Guerra Mundial. El fundamento del conductismo, que
subyace al materialismo, puede verse como una respuesta al dualismo imperante
en la época y también está influenciado por el positivismo lógico. Según esta
perspectiva filosófica, el significado de un enunciado está determinado por la
existencia de circunstancias observables que puedan sustentarlo. El concepto
principal del conductismo afirma que la mente está representada únicamente por
las acciones y comportamientos del cuerpo físico, y que no existe una existencia
objetiva más allá de estos comportamientos.
La esencia del reino mental son precisamente estos comportamientos,
particularmente la inclinación a desplegar acciones específicas. Este punto de
vista reduce esencialmente los aspectos mentales a los fenómenos observables, a
saber, el comportamiento. Sin embargo, es importante diferenciar entre dos
variantes del conductismo conocidas como conductismo metodológico y
conductismo lógico El conductismo metodológico surgió como un movimiento
significativo en el campo de la psicología con el objetivo principal de elevar la
posición científica de la disciplina para estar a la par con otras ramas de las
ciencias naturales. Para lograr este objetivo, los defensores del conductismo
metodológico abogaron por el estudio de los fenómenos observables, enfatizando
la importancia de la cuantificabilidad y la objetividad.
En consecuencia, el foco de la investigación se desplazó hacia el examen
del comportamiento, ya que se consideró medible y accesible para la observación.
El objetivo último de la Psicología, según el Conductismo Metodológico, giraba
en torno a descubrir las leyes subyacentes que pudieran establecer una conexión
entre los estímulos externos encontrados por un organismo y las subsiguientes
respuestas conductuales exhibidas. El conductismo metodológico tuvo un
profundo impacto en el campo de la psicología, tanto que cambió con éxito el
enfoque de la disciplina de ser conocida como la "Ciencia de la mente" a la
18
"Ciencia del comportamiento". Este enfoque, denominado conductismo
metodológico, no se preocupaba por afirmar o aclarar la existencia o ausencia de
la mente o determinar la naturaleza precisa de los estados mentales. En cambio, su
objetivo principal era proponer una metodología que permitiera el estudio de estos
estados mentales.
Para decirlo de otra manera, cuando se trata de examinar el
comportamiento desde un punto de vista científico, la mente se considera
científicamente insignificante. Esto se debe a que las afirmaciones científicas
requieren una verificación objetiva y las únicas afirmaciones que se pueden hacer
sobre la mente humana son aquellas que se pueden derivar del comportamiento
observable utilizando un enfoque objetivo. En realidad, el conductismo
metodológico no requería reconocer la presencia de experiencias mentales
internas como la conciencia o estados subjetivos o qualia. En cambio, se centró en
desarrollar una metodología que se extendiera más allá del estudio del objeto en
sí. Las descripciones de emociones, sentimientos y creencias eran simplemente un
medio conciso de aludir a patrones de comportamiento.
En esencia, esta forma particular de conductismo sostiene la idea de que el
único hecho psicológico que puede percibirse directamente en un individuo es su
comportamiento. En consecuencia, aboga por emplear el enfoque más adecuado
para estudiar y comprender la psicología humana, que es centrarse únicamente en
las acciones observables. La psicología es la exploración científica del
comportamiento humano, centrándose únicamente en las acciones y reacciones
observables de los individuos, sin tener en cuenta ninguna investigación sobre la
existencia de entidades mentales o fenómenos espirituales. Cabe mencionar que
existió un movimiento conocido como Conductismo Lógico, que se originó en la
Filosofía más que en la Psicología. Sin embargo, los principios y afirmaciones del
Conductismo Lógico fueron más contundentes y radicales en comparación con los
presentados por el Conductismo Metodológico.
Este último simplemente enfatizó que el dualismo cartesiano no tenía
importancia científica, mientras que el conductismo lógico fue más allá al
argumentar que los enfoques de Descartes tenían fallas desde un punto de vista
lógico y semántico, considerándolos pseudo-hipótesis y declaraciones.
La implicación de esta declaración es que es posible comprender y describir los
estados mentales de alguien examinando sus comportamientos. Por ejemplo, un
jugador esperando que su equipo de fútbol gane un súper clásico, podemos definir
este estado mental a través de un conjunto de oraciones que describen sus posibles
acciones o palabras en situaciones específicas. En otras palabras, la declaración se
puede traducir en una serie de oraciones hipotéticas que describen los
19
comportamientos que se podría exhibir o las cosas que podría decir bajo ciertas
circunstancias. Esta definición operativa permite comprender y analizar su estado
mental a partir de acciones observables, proporcionando una comprensión más
profunda de sus pensamientos e intenciones.
En esencia, el conductismo lógico afirma que la afirmación “Luis cree que
Colo-Colo es el mejor equipo del fútbol chileno”, puede entenderse de la misma
manera que formula un sinfín de oraciones de causa y efecto, como lo
ejemplifican los siguiente: “Si Colo-Colo tiene un partido el domingo, Luis irá al
estadio”, “Si Colo-Colo marca un gol, Luis expresará su alegría hacia el exterior”.
Esencialmente, esta perspectiva sugiere que el concepto de mente puede reducirse
a un conjunto de comportamientos predeterminados. Para comprender
completamente el concepto de disposición, es necesario examinarlo a través de la
lente de oraciones hipotéticas que siguen la estructura “Si p, entonces q”. Al
emplear este enfoque, se puede descubrir las tendencias conductuales subyacentes
que surgen en condiciones, contextos o situaciones específicas.
Esto nos permite reformular declaraciones relacionadas con estados
mentales en declaraciones más largas que abarquen todos los comportamientos
observables esperados que un individuo puede exhibir cuando se encuentra en un
contexto o circunstancia particular. El objetivo aquí es garantizar que no se pierda
ningún contenido en el proceso y que se describa con precisión la gama de
comportamientos que se pueden anticipar en función de la disposición de una
persona. Para concluir, el conductismo no ve el problema mente-cuerpo como un
problema porque cree que no hay necesidad de preocuparse por la relación entre
la mente y el cuerpo. De acuerdo con el conductismo, cuando hablamos de la
mente de alguien como Einstein, no nos referimos a una entidad separada que
posee, sino que describimos sus habilidades excepcionales y comportamientos
observables en el entorno específico en el que se encuentra. Por lo tanto, el
enfoque está en comprender y analizar los comportamientos y disposiciones de los
individuos en su entorno.
En resumen, los problemas que enfrentó el conductismo, incluido su
desprecio por el aspecto interno de los estados mentales y su lucha por definir las
disposiciones subyacentes a los comportamientos, finalmente debilitaron su
posición dentro del campo de la psicología. Otro desafío surgió cuando los
conductistas intentaron especificar las disposiciones precisas que están asociadas
y contribuyen a un comportamiento particular. El proceso de creación de una lista
exhaustiva de dichas disposiciones resultó ser una tarea abrumadora. La gran
complejidad y variabilidad del comportamiento humano hizo casi imposible
capturar con precisión todos los factores contribuyentes. Esta limitación
20
obstaculizó la capacidad del conductismo para proporcionar una comprensión
integral del comportamiento humano. Además, el rechazo de los estados mentales
por parte del conductismo contradice la intuición de que existe una conexión entre
los estados mentales internos y los comportamientos observables que se derivan
de ellos. Todos entendemos que existe una clara diferencia entre el sentimiento de
dolor y los comportamientos que están vinculados a él. Esta desconexión entre la
postura del conductismo y las experiencias cotidianas socava aún más su
credibilidad.
El análisis de la esperanza de que el equipo de fútbol gane un superclásico
requiere condiciones específicas, pero la complejidad de estas condiciones es
ilimitada y no puede detallarse finitamente. Aparte de que, existe el riesgo de
incluir condiciones que dependen de los pensamientos y sentimientos internos de
los jugadores, lo que dificulta evitar el uso de palabras como "creer", "querer" o
"desear" en el análisis. Esto se suma al desafío de evitar el razonamiento circular.
Por ejemplo, si tuviéramos que analizar el deseo de una persona de comer
chocolate, la lista de condiciones necesarias sería extremadamente larga y
potencialmente infinita, lo que dificultaría analizar su deseo con precisión.
Adicionalmente, existe el riesgo de definir una creencia en base a un
comportamiento que podría estar influenciado por otros deseos y creencias. Esto
complica aún más el análisis. Al mismo tiempo, el lingüista Noam Chomsky
critica el conductismo y argumenta que estudiar el comportamiento por sí solo no
abarca todo el campo de la psicología.
1.4 La Teoría de la Identidad
Durante el siglo XX, el conductismo enfrentó importantes desafíos dentro
del campo de la Psicología que dificultaron su progreso. Estas críticas se
derivaron principalmente de la creencia de que la perspectiva conductista no
reconoció plenamente el aspecto subjetivo de la experiencia humana. Además de
esta deficiencia, el conductismo también carecía de la evidencia empírica
necesaria para respaldar sus afirmaciones, confiando en cambio en conceptos
abstractos como listas y definiciones operativas para explicar la relación entre la
mente y el comportamiento. Estas deficiencias contribuyeron en última instancia a
un retroceso en la popularidad y aceptación del conductismo como enfoque
metodológico en psicología. Debido a las numerosas críticas y problemas
asociados con el conductismo, gradualmente perdió el favor de los filósofos que
tenían creencias materialistas sobre la mente.
En su lugar, surgió una nueva perspectiva conocida como Fisicalismo,
también conocida como Teoría de la Identidad o Materialismo Reductivo. El
fisicalismo argumenta que Descartes cometió un error al proponer dos sustancias
21
para explicar el problema mente-cuerpo, ya que postula que la única entidad
existente en relación con la mente es el cerebro. Del mismo modo, sugiere que las
únicas entidades existentes en relación con los estados mentales son los estados
del cerebro. De ahí que el Fisicalismo, también conocido como Tesis de la
Identidad, establece una noción de identidad e igualdad entre los estados mentales
y los estados cerebrales, afirmando que los estados mentales son esencialmente
estados físicos del cerebro. En otras palabras, cada estado mental es esencialmente
lo mismo que un estado o proceso físico que ocurre dentro del sistema nervioso,
específicamente dentro del cerebro.
Hay varias razones de peso para defender una teoría materialista-
reduccionista, que pueden resumirse sucintamente en cuatro conceptos
fundamentales. En el corazón de esta teoría está la creencia de que el estudio del
comportamiento humano y sus causas subyacentes se encuentra dentro del ámbito
de las Neurociencias. El argumento inicial gira en torno a la noción de que los
seres humanos tienen un origen puramente físico y están compuestos de materia
física. Al examinar el desarrollo físico-motor de los individuos, se puede obtener
información sobre los intrincados procesos que involucran moléculas, duplicación
celular y cadenas de ADN. Estos elementos son la clave para comprender cómo se
forman ciertos comportamientos y acciones dentro de un sistema y cómo
interactúan posteriormente con el entorno externo.
El segundo argumento se basa en el primero al señalar que los animales en
la naturaleza, al igual que los humanos, tienen su origen y desarrollo enraizados
en la dimensión física. Esto se atribuye específicamente al buen funcionamiento
de sus sistemas nerviosos. Por lo demás, su comportamiento también se explica
por los procesos internos del sistema nervioso y cómo interactúa con el medio
ambiente. El principio subyacente detrás de esta explicación es la teoría evolutiva,
que sugiere que estos sistemas han sido seleccionados a lo largo del tiempo. Por lo
demás, los teóricos enfatizan el concepto de “dependencia neuronal” cuando se
trata de fenómenos mentales. Este concepto es crucial para una perspectiva
materialista-reduccionista, que rechaza la existencia de dos tipos distintos de
sustancias, propiedades o procesos. En cambio, afirma que solo el aspecto físico
es relevante para comprender estos fenómenos.
El cuarto punto se refiere a los logros de la neurociencia en el estudio y la
comprensión de los intrincados sistemas nerviosos no solo de los organismos
simples sino también de los humanos. Con el avance del campo a un ritmo rápido,
podemos anticipar descubrimientos más esclarecedores en el futuro, los
partidarios de la teoría de la identidad argumentan que es lógico creer que la
fuerza impulsora detrás del comportamiento animal y humano es
22
fundamentalmente física. Conjuntamente, sostienen que la neurociencia tiene el
potencial de establecer una clasificación integral de los estados cerebrales y en
última instancia, establecer una correlación directa con los estados mentales
conscientes. La teoría de la identidad ofrece una mejora significativa sobre el
conductismo, ya que no solo reconoce la existencia de estados mentales, sino que
también proporciona una explicación completa de lo que son. Esto representa una
desviación significativa de su predecesor, que simplemente ignoraba los estados
mentales por completo. Sin embargo, aunque la Teoría de la Identidad presenta
una perspectiva valiosa, no está exenta de objeciones y desafíos. (Searle, 2004)
clasifica estas objeciones en dos grupos principales: “Objeciones técnicas” y
“Objeciones de sentido común”.
En el ámbito de las objeciones técnicas, cabe señalar que la Tesis de la
Identidad va en contra de un principio lógico conocido como “Ley de Leibniz”,
según Searle, Esta ley esencialmente establece que si dos cosas son idénticas,
deben poseer las mismas propiedades. Por lo tanto, si se puede demostrar que los
estados mentales y cerebrales tienen propiedades que no se pueden atribuir a los
estados mentales, entonces la Tesis de la Identidad podría ser refutada. La Teoría
de la Identidad es vulnerable a tal crítica, a menudo citando ejemplos relacionados
con la ubicación espacial de diferentes partes del cuerpo humano. Por ejemplo, si
se considera el estado cerebral que corresponde al pensamiento de que hace calor,
que se dice que está ubicado cerca del área 48 del cerebro. Sin embargo, los
críticos de la Teoría de la Identidad argumentan que sería ilógico afirmar que la
idea de estar caliente está "localizada" en un punto específico del cerebro.
Este concepto se vuelve aún más desconcertante cuando se consideran
estados mentales conscientes que están asociados con una ubicación específica
dentro del cuerpo, como la sensación de picazón en el pulgar derecho. Si bien
puede parecer lógico suponer que la picazón está localizada en el pulgar mismo,
en realidad es el estado del cerebro el que corresponde a esta picazón que se
encuentra en otra parte, dentro de los límites del cerebro. Esta comprensión nos
lleva a concluir que las características y atributos del estado cerebral difieren de
los del estado mental. En consecuencia, esto desafía la validez del fisicalismo, ya
que implica que los dos estados no son equivalentes. Otra objeción planteada por
Churchland, es la crítica a las “Propiedades semánticas del cerebro” que presenta
una perspectiva técnica. Este argumento sostiene que nuestras creencias, deseos y
otros estados mentales poseen un significado proposicional específico y pueden
evaluarse como verdaderos o falsos.
Estos estados mentales también mantienen relaciones semánticas como la
consistencia, la implicatura y otras. Sin embargo, si se consideran los estados
23
mentales únicamente como estados cerebrales, estas relaciones semánticas
también deberían aplicarse a los estados cerebrales. No obstante, es ilógico
afirmar que la actividad neuronal en una región particular del cerebro es falsa o
que lógicamente implica otra área del cerebro. Aparte de, la asignación de
significados específicos a estados cerebrales parece desafiante o incluso
inverosímil y establecer una relación de identidad entre un estado cerebral y
experiencias subjetivas, como la sensación de masticar algo crujiente, sería aún
más complejo.
En la clasificación de Searle, el segundo tipo de objeciones corresponde a
las que surgen del sentido común, una objeción crucial arraigada en el sentido
común sería presentar evidencia de que si la identidad del estado mental/estado
cerebral sugerida es realmente empírica, similar a la noción de que el agua está
compuesta de H2O, implica la existencia de dos tipos distintos de propiedades que
actúan como una conexión entre los dos aspectos de esta identidad. Sin embargo,
este enfoque plantea una preocupación porque parece implicar la existencia de dos
tipos distintos de propiedades: propiedades físicas y propiedades mentales, esto es
similar al dualismo de propiedades, que sugiere que la mente y el cuerpo son
entidades separadas. Si los estados mentales son realmente idénticos a los estados
cerebrales, entonces debe haber dos tipos de estados cerebrales: los que son
estados mentales y los que no lo son.
El primero posee propiedades mentales, mientras que el segundo físicas,
de la misma manera que la Teoría de la Identidad sostiene que el agua es lo
mismo que el H2O, esta teoría sugiere que la experiencia del sabor dulce es
idéntica a un estado cerebral específico, denominado X, esto significa que la
sensación del sabor dulce solo puede entenderse completamente al considerar
tanto sus propiedades como una sensación gustativa como sus propiedades como
un estado cerebral correspondiente. La objeción planteada por el sentido común es
un obstáculo importante para los defensores de la Teoría de la Identidad, esta
objeción se centra en la idea de que, aunque la teoría busca establecer una visión
reduccionista, que argumenta que los estados mentales son enteramente estados
cerebrales, también sugiere la presencia de propiedades mentales irreductibles. Se
vuelve un desafío explicar las experiencias complejas de los individuos
conscientes, como sus emociones, sensaciones físicas y la experiencia subjetiva
general, reduciendo únicamente estos fenómenos a su ocurrencia física en el
cerebro. El enfoque reduccionista apunta a estandarizar ciertas características
atribuyendo propiedades de experiencias subjetivas a propiedades del cerebro. Sin
embargo, este enfoque reduccionista no tiene éxito cuando intenta explicar los
aspectos cualitativos y subjetivos de estos fenómenos mentales, ya que ignora (y,
hasta cierto punto, descarta) la existencia de propiedades mentales no físicas.
24
La objeción mencionada anteriormente tuvo un impacto significativo en la
Teoría de la Identidad, causó un cambio en la teoría, lo que llevó a un cambio en
su nombre de “Teoría de la Identidad tipo-tipo” a “Teoría de la Identidad token-
token”. Inicialmente, la teoría establecía que cada tipo de estado mental es
idéntico a un tipo específico de estado físico. Sin embargo, tras un examen más
detenido, se hizo evidente que esta declaración era inexacta, las experiencias de la
vida cotidiana revelan que la relación de identidad entre los estados mental y
físico involucra instancias concretas y reales (tokens) en lugar de conceptos
abstractos que están separados del tiempo y el contexto físico. Esta observación
llevó a algunos teóricos de la identidad a adoptar una postura simbólica.
De acuerdo con esta posición, no todos los casos de un estado mental,
como el dolor, deben asociarse con el mismo tipo de estado cerebral. Se pueden
vincular diferentes tipos de estados cerebrales a muestras del mismo estado
mental. Para ilustrar, considere al presidente de un país y al líder de la oposición
política, ambos creyendo que la economía del país está progresando. El hecho de
que compartan la misma creencia no requiere que posean características
neurobiológicas idénticas en sus cerebros, la creencia se puede generar a través de
la interacción de áreas cerebrales específicas en el presidente que pueden no ser
exactamente las mismas que las del líder de la oposición, pero aún así mantienen
la misma creencia.
Aunque la transición de una teoría que identifica tipos de fenómenos
mentales a una que identifica instancias individuales de estos fenómenos resolvió
algunos problemas, también introdujo un problema importante que puso en duda
la viabilidad de reducir las experiencias subjetivas a estados cerebrales. La
pregunta que surge es: ¿qué determina que todas las instancias de un estado
mental pertenezcan a un tipo específico? En otras palabras, ¿qué establece que
una instancia particular, X, es una encarnación o una instanciación de un tipo
mental, X? La Teoría de la Identidad no proporciona una explicación satisfactoria
de este dilema. La búsqueda de una respuesta a esta pregunta dio origen a un
enfoque novedoso conocido como funcionalismo, que postula que una instancia se
clasifica como un tipo mental específico en función del papel que desempeña en
el comportamiento de un organismo.
1.5 El Funcionalismo
Después de considerar los problemas que se han identificado en relación
con la Teoría de la Identidad, surge un nuevo punto de vista que ofrece un
enfoque alternativo para comprender y definir los estados mentales. Esta nueva
perspectiva, conocida como Funcionalismo, presenta una forma novedosa de
entender los estados mentales que evita las trampas y complicaciones encontradas
25
por las teorías anteriores. El funcionalismo postula que un estado mental se puede
atribuir a un estado cerebral específico si cumple un propósito o función particular
en el comportamiento del organismo al que pertenece. El funcionalismo postula
que la característica esencial de un estado mental está determinada por las
diversas relaciones causales que tiene con (1) las interacciones entre el entorno y
el cuerpo, (2) otros estados mentales y (3) el comportamiento exhibido por el
cuerpo. En términos más simples, el dolor puede identificarse como tal si cumple
con los siguientes criterios: (1) surge de algún tipo de lesión o daño corporal, (2)
provoca una sensación de incomodidad y molestia, al tiempo que provoca una
inclinación a aliviarlo, y (3) puede manifestarse a través de escalofríos, posibles
mareos y una mayor inclinación a proteger el área afectada. Según el
Funcionalismo, un estado mental que cumpla con todas estas funciones se
clasificaría como dolor.
En este nuevo marco, cualquier estado mental puede describirse por sus
roles causales únicos y específicos que conectan las entradas sensoriales con las
salidas conductuales. Según la teoría del Funcionalismo, cuando decimos que una
persona cree que el vino provoca malestar estomacal, nos referimos a que existe
un proceso o estado dentro de esta persona que se desencadena por ciertos
estímulos externos (como experimentar dolor y calambres en el abdomen después
de beber el líquido en cuestión). Este estado, combinado con otros factores como
la inclinación humana natural a evitar la incomodidad, finalmente resultará en un
comportamiento particular, a saber, evitar el vino durante las comidas. Por tanto,
la creencia de que el vino provoca problemas estomacales, junto con el instinto de
evitar experiencias desagradables, influye directamente en la decisión de
abstenerse de beber vino cuando se cena.
En resumen, los estados mentales pueden describirse como estados que
poseen funciones específicas, en las que estas funciones se consideran las
conexiones de causa y efecto entre los estímulos externos y las acciones
observables. Esto implica que los estados mentales no están determinados por
atributos internos inherentes, sino por estas relaciones causales subyacentes que
esencialmente definen su propósito. Al considerar la perspectiva que vincula las
entradas sensoriales con las salidas conductuales, recuerda los enfoques del
conductismo mencionados anteriormente. Asimismo, ambas perspectivas destacan
la influencia significativa del entorno en la configuración del comportamiento, por
lo tanto es esencial tener en cuenta que existen claras diferencias entre los dos. La
disparidad surge de la intención de los conductistas de definir los estados
mentales centrándose principalmente en los estímulos y respuestas externas.
26
El funcionalismo no propone lo mismo que el conductismo, por el
contrario, establece que un estado mental solo puede definirse por su conexión
con otros estados mentales, sin ningún intento de reducir los fenómenos externos
observables a procesos mentales. En términos más simples, mientras que tanto el
conductismo como el funcionalismo reconocen la importancia del entorno en la
configuración del comportamiento, el funcionalismo enfatiza que el contexto por
sí solo no es suficiente para explicar completamente el comportamiento. El
funcionalismo asigna una importancia dominante a la mente en la creación de
pensamientos y experiencias, al enfatizar las conexiones causales entre los estados
mentales y el entorno circundante y otros estados mentales. Esta perspectiva
destaca el importante papel que desempeña la mente en la configuración de
nuestros procesos cognitivos e interacciones con el mundo que nos rodea.
El funcionalismo se destaca entre otras teorías debido a su característica
única que ha ganado gran popularidad entre los teóricos materialistas. Esta
característica gira en torno a presentar lo mental en términos funcionalmente
concretos, similares a otros ámbitos del conocimiento humano. En esencia, el
funcionalismo percibe la mente como una máquina, se puede comparar con una
lámpara, según el funcionalismo, los elementos físicos, los mecanismos y los
materiales utilizados para diseñar una lámpara son irrelevantes, ya sea que
funcione con reacciones químicas, bombillas o una bolsa llena de luciérnagas, e
independientemente de su tamaño o forma, lo que define a una lámpara es su
capacidad para generar luz. En otras palabras, su función tiene prioridad sobre su
estructura física o naturaleza inherente. Los estados mentales, de manera similar,
pueden verse como entidades que, a través de sus relaciones con el entorno y otros
estados mentales, dan como resultado un comportamiento observable. Es evidente
que el funcionalismo proporciona una explicación satisfactoria de lo que es un
estado mental, ofreciendo una comprensión tangible y fácilmente identificable
que se alinea con nuestra comprensión intuitiva.
Churchland afirma que el funcionalismo es muy favorecido por los
filósofos de la mente, los científicos cognitivos y los investigadores de
Inteligencia Artificial. Este apoyo generalizado se puede atribuir a la capacidad de
la teoría para diferenciar entre función e implementación, lo que permite la
caracterización de la mente en función de sus funciones sin estar limitada por la
estructura física específica del cerebro. La perspectiva funcionalista de la mente se
centra en la idea de que la mente puede separarse de su base física y operar de
forma independiente (Block, 1995). Este punto de vista ha sido ampliamente
aceptado, ya que permite que la psicología establezca sus propios métodos y
principios sin depender demasiado de la filosofía o la neurociencia.
27
Al disociar los estados mentales de los campos científicos, ya no son
ignorados ni reducidos a sus manifestaciones físicas. Igualmente, el funcionalismo
permite el estudio de procesos cognitivos en otros organismos vivos, incluidos los
animales y abre debates sobre la posible existencia de comportamientos
inteligentes en programas informáticos y criaturas artificiales. Esta perspectiva
más amplia ayuda a definir la inteligencia desde un punto de vista más universal.
En la próxima sección se profundizará en los intrincados detalles del
funcionalismo y su profundo impacto en la remodelación de la forma en que se
perciben el problema mente-cuerpo. Esta teoría innovadora introdujo una
perspectiva novedosa, comparando la mente con una computadora, que
revolucionó la comprensión de este asunto complejo.
1.6 El Funcionalismo y la Ciencia Cognitiva
A mediados del siglo XX, tuvo lugar un evento increíblemente
significativo en el ámbito del estudio de la mente, este fue el resultado de la unión
de varias disciplinas para explorar este campo, incluyendo la filosofía de la mente,
la psicología cognitiva, la lingüística y la inteligencia artificial. Al colaborar, estas
diferentes áreas de estudio han desarrollado una nueva perspectiva sobre el
problema mente-cuerpo, la cual se inspira en una teoría funcionalista de la mente,
que introduce una nueva forma de comprender su funcionamiento, como
resultado, este enfoque ofrece una visión única de un problema que ha captado la
atención de filósofos y psicólogos durante innumerables siglos. Este concepto
innovador sugiere que la mente humana puede compararse con una computadora.
Con el auge de la tecnología informática después de la Segunda Guerra
Mundial, las influyentes contribuciones de Alan Turing y sus ideas
revolucionarias en torno a “Computación” y “Algoritmo” han provocado la
contemplación de la posibilidad de que el cerebro funcione como una
computadora digital. De acuerdo con esta línea de pensamiento, la mente puede
verse como el software o programa y potencialmente como una colección de
programas, que se ejecuta dentro del cerebro. En consecuencia, los estados
mentales se perciben cada vez más como estados computacionales del cerebro.
Para decirlo de otra manera, la Ciencia Cognitiva ha introducido una nueva
perspectiva sobre la comprensión de los fenómenos mentales, sugiriendo que la
mente es para el cerebro lo que el software es para el hardware computacional.
Este punto de vista, conocido como el punto de vista “computacionalista”
de la mente, plantea una pregunta importante: ¿Qué impulsa el desarrollo de esta
visión computacionalista de la mente? Para abordar esta pregunta, primero se
deben recopilar datos e información relevantes que arrojen luz sobre el
surgimiento de la Ciencia Cognitiva, al hacerlo, seremos capaces de establecer el
28
contexto apropiado para comprender y analizar críticamente una teoría
computacional de la mente. Existe evidencia sustancial que respalda la conexión
entre la ciencia cognitiva y la creencia de que el cerebro funciona de manera
similar a una computadora digital. Esta conexión se remonta a una entrevista
realizada por Turing en 1951, como se documenta en el trabajo de Jones de 2004.
Dentro de esta entrevista, Turing analiza la noción de que una computadora digital
posee estados mentales y sugiere que el cerebro puede comprenderse como una
computadora programada. Turing elabora aún más esta idea al afirmar que si
aceptamos la premisa de que los cerebros reales, ya sea en animales o humanos,
son una forma de máquina, entonces se sigue lógicamente que una computadora
digital bien programada exhibirá comportamientos comparables a los de un
cerebro. Esta profunda visión destaca el reconocimiento temprano de la analogía
cerebro-computadora, reforzando la asociación entre la Ciencia Cognitiva y la
noción del cerebro como una computadora digital.
La Ciencia Cognitiva surgió como respuesta a dos campos de estudio
anteriores, la psicología introspectiva y el conductismo, que fueron influyentes
durante el siglo XIX. La psicología introspectiva, atribuida al psicólogo alemán
Wilhelm Wundt, propuso que era posible profundizar en la conciencia a través del
autoanálisis y la introspección. El enfoque de Wundt implicaba entrenar a las
personas para que examinaran sus propias experiencias conscientes y las
articularan usando un lenguaje específico, priorizando el funcionamiento interno
de la mente sobre las observaciones externas del comportamiento. Este énfasis en
la introspección y el examen de los procesos mentales marcó un avance
significativo en la comprensión científica de la Psicología, por lo que Wundt
merece un reconocimiento.
La línea de pensamiento que sigue se conoce como conductismo y
contrasta fuertemente con la psicología introspectiva. El conductismo se centra en
la observación sistemática de comportamientos externos medibles, en lugar de
profundizar en el estudio de la mente misma. En esta perspectiva, el estudio de la
mente toma la forma de una teoría del comportamiento, donde la existencia del
aspecto mental se considera irrelevante debido al desafío inherente de acceder a él
objetivamente. En términos más simples, el conductismo enfatiza el estudio de lo
que se puede medir y sistematizar, mientras descarta los enfoques que se basan en
la subjetividad del investigador para obtener resultados. Este plantea un desafío
importante cuando se trata de estudiar fenómenos subjetivos como la conciencia,
ya que su existencia depende de la experiencia del observador, lo que hace que
sea imposible generalizar y definir objetivamente.
29
Para superar este desafío, los científicos cognitivos recurrieron a la
metáfora de la computadora, al modelar la mente como una computadora,
pudieron crear un marco que fuera comprobable, implementable y que pudiera
proporcionar datos específicos sobre su funcionamiento. Esto permitió una
comprensión más objetiva de las operaciones de la mente. En este enfoque, la
mente podría conceptualizarse como un programa que podría diseñarse,
implementarse y observarse en una computadora. Esto proporcionó un medio para
describir y estudiar objetivamente el funcionamiento de la mente. Cuando la
ciencia cognitiva comenzó a tomar forma, fue en respuesta a las limitaciones del
conductismo. Los conductistas se centraron únicamente en el comportamiento
observable, descuidando los complejos procesos internos de la mente, como los
pensamientos, las emociones y los sentimientos. Estos estados mentales no eran
directamente observables y su existencia no podía inferirse de manera confiable
solo a partir del comportamiento. Esto planteó un desafío significativo para los
científicos cognitivos, quienes buscaron desarrollar un marco teórico que pudiera
abordar la inaccesibilidad inherente de los fenómenos mentales desde un punto de
vista objetivo.
1.7 Turing y sus Nociones Básicas de la IA
Para dilucidar completamente las numerosas ventajas asociadas con la
teoría computacional de la mente, es imperativo profundizar en varios conceptos
fundamentales que nos permitan comprender por qué ciertos filósofos abogan por
este enfoque particular como la solución óptima para el problema mente-cuerpo.
Estas nociones interconectadas abarcan el algoritmo, la máquina de Turing, la
tesis de Church y la prueba de Turing. Para empezar, es importante entender el
concepto de “Algoritmo”. Un algoritmo es esencialmente un conjunto de
instrucciones que pueden resolver un problema de manera efectiva. Estas
instrucciones se componen de un número finito de pasos, que cuando se siguen,
conducen a la resolución del problema.
Los pasos involucrados en un algoritmo son directos, precisos y limitados
en número. Pueden llevarse a cabo de forma automática, sin necesidad de
pensamiento o implicación consciente, ya sea que se trate de una computadora
compleja o de una persona armada con solo lápiz y papel, un algoritmo se puede
implementar con éxito (Luckin, 2017). No se requieren recursos u operaciones
adicionales para que un algoritmo funcione. El algoritmo comienza con un
conjunto de entradas iniciales, avanza a través de varios estados de transición que
modifican estas entradas y finalmente produce un resultado o salida final. Para
entender mejor las funciones computacionales, necesitamos introducir el concepto
30
de una “Máquina de Turing”. Esta máquina sirve como un modelo matemático
que simula operaciones mecánicas.
Funciona leyendo símbolos y luego produciendo nuevos símbolos. Todo el
proceso está guiado por una tabla de instrucciones o programa, el comportamiento
de la máquina está únicamente determinado por una lista finita de instrucciones
simples. Por ejemplo, puede indicar que si la máquina está en el estado 97 y lee el
símbolo 8, debe escribir 1. Alternativamente, si lee el símbolo 9, debe moverse
hacia la derecha y pasar al estado 7. En resumen, una máquina de Turing funciona
siguiendo un conjunto de instrucciones, que dictan su comportamiento en función
del estado actual y los símbolos que lee. Este concepto proporciona una base para
comprender los procesos computacionales. Las operaciones a las que
comúnmente se hace referencia como “Cálculos” se pueden categorizar en
diferentes estados. Un ejemplo bien conocido de un algoritmo que demuestra
estos cálculos es el ejercicio de Euclides para calcular el máximo común divisor
(MCD) de dos números. Es importante señalar que las máquinas de Turing no son
tecnologías informáticas reales, sino un concepto teórico propuesto por Turing,
sirven como un experimento mental para representar una máquina capaz de
computar. En la versión original, los pasos de la máquina en realidad los realizaba
un humano, a quien el autor se refirió como una "computadora".
Una máquina de Turing es un dispositivo con una capacidad de memoria
ilimitada formada por una cinta infinita dividida en cuadrados. Estos cuadrados se
pueden imprimir con símbolos. En cualquier momento, habrá un símbolo en la
máquina que se está escaneando, la máquina tiene la capacidad de cambiar el
símbolo escaneado y su comportamiento está determinado en parte por ese
símbolo. Sin embargo, los símbolos del resto de la cinta no afectan el
comportamiento de la máquina. La cinta se puede mover de un lado a otro a través
de la máquina, que es una de sus operaciones básicas, eventualmente, cualquier
símbolo en la cinta tiene el potencial de convertirse en el símbolo escaneado por
la máquina. El dispositivo funciona con símbolos binarios, principalmente 1 y 0,
pero también puede utilizar otros símbolos.
Lo que realmente define a esta máquina es su simplicidad inherente, ya
que las reglas siempre siguen el formato de “si se cumple la condición X, realice
la acción A: cambie C por D”. A pesar de su simplicidad, encapsula y describe el
concepto de computación mecánica, donde no se requieren conocimientos
adicionales o especializados para completar la tarea. Además, una máquina de
Turing posee estados internos y su comportamiento está dictado por los pasos
necesarios. En esencia, se puede decir que una Máquina de Turing es
esencialmente sinónimo de la tabla de máquina o lista de instrucciones que dictan
31
todos los posibles estados y procesos que puede sufrir. El concepto, conocido
como “Tesis de Church”, está estrechamente relacionado con los dos conceptos
que se explicaron anteriormente. De manera concisa y simplificada, postula que
cualquier cálculo que se pueda realizar de manera efectiva también se puede
realizar mediante una máquina de Turing. Este principio se conoce comúnmente
como la “tesis de Church-Turing” porque Turing llegó a una conclusión
comparable de forma independiente.
Esta tesis está conectada con el concepto de un proceso M eficiente o
automatizado que conduce a un resultado deseado, posee características
específicas, según lo identificado por (Copeland, 1993), que incluyen tener un
conjunto finito de instrucciones, el potencial de lograr el resultado deseado si se
ejecuta sin errores y la capacidad de ser ejecutado por una máquina o individuo
sin depender de la conciencia o factores externos. En consecuencia, la tesis afirma
que siempre que exista un método eficiente que emplee estos procedimientos
automatizados para lograr los resultados deseados, dichos resultados pueden ser
calculados por una Máquina de Turing. Esto se debe al hecho de que una máquina
de Turing en sí misma sirve como una representación de lo que implica un
método eficiente: utilizar estados iniciales e intermedios, junto con la
manipulación de reglas y símbolos, para alcanzar un estado final sin necesidad de
nada más allá del programa.
En resumen, se puede afirmar que cualquier tipo de cómputo o cálculo
tiene el potencial de ser transformado en un cómputo equivalente realizado por
una Máquina de Turing. En fin, una Máquina de Turing abarca la totalidad del
concepto de computabilidad, ya que tiene la capacidad de ejecutar cualquier
algoritmo. Por lo demás, el comportamiento de una Máquina de Turing es siempre
algorítmico, lo que permite establecer una correlación entre una definición formal
y una comprensión intuitiva. Específicamente, una clase de funciones definidas
formalmente, conocidas como funciones recursivas, pueden equipararse a las
funciones que se consideran computables, es decir, aquellas para las que se puede
diseñar un procedimiento paso a paso.
Resaltar la trascendencia de la tesis es de suma importancia, por lo que
ahondaremos en ella extensamente. El concepto de una máquina compuesta por
elementos fundamentales, representados por ceros y unos como símbolos y
gobernada por reglas de transformación, es bastante intrigante. Esta máquina tiene
el potencial de ejecutar cualquier tarea que requiera un algoritmo. En otras
palabras, una Máquina de Turing podría diseñarse para realizar diversas tareas,
desde medir la temperatura del aire en una habitación hasta funcionar como un
cajero automático o una máquina expendedora que dispensa una bebida al insertar
32
una moneda. No obstante, las posibilidades se extienden más allá de las
computadoras diseñadas para tareas específicas basadas en algoritmos.
También es plausible imaginar una máquina capaz de ejecutar programas
de otras Máquinas de Turing, esencialmente una universal. Esta máquina se puede
“cargar” con los programas de varias máquinas de Turing, lo que le permite
simular sus operaciones. Esta noción surgió del concepto conocido como
“Máquina universal de Turing”, tal como lo presentó (Turing, 1948). El concepto
fundamental de la Tesis es determinante en la exploración de la mente y la
utilización de computadoras para simular varios aspectos de la cognición humana.
Esto se debe a que la mente humana puede verse como una Máquina Universal de
Turing. Este concepto tiene implicaciones significativas tanto para la Inteligencia
Artificial como para la Psicología Cognitiva, ya que proporciona un marco teórico
fundamental y compartido.
Permite a la Ciencia Cognitiva abordar el problema mente-cuerpo
estudiando cómo funcionan diferentes programas en nuestro cerebro. Esto tiene
dos resultados importantes: en primer lugar, permite un programa de investigación
que facilita el examen científico y riguroso de la mente desde una perspectiva
objetiva, lo que permite el modelado y la experimentación. En segundo lugar,
resuelve el problema mente-cuerpo al afirmar que el medio físico o hardware en el
que opera la mente es irrelevante; se puede lograr utilizando varios tipos de
hardware, ya sean neuronas, cables de silicio o sistemas físicos basados en
reacciones químicas. Lo que verdaderamente importa es la organización y el
funcionamiento de estos programas. Para decirlo de otra manera, cuando se trata
de describir una computadora, hay varias perspectivas a considerar, a nivel de
hardware, uno podría concentrarse en los componentes físicos o en la tecnología
subyacente del procesador. Sin embargo, en un nivel superior, la implementación
de un algoritmo o programa sigue siendo consistente, lo que los hace
comparables.
El concepto, conocido como “Test de Turing”, fue desarrollado por Alan
Turing en 1950 como una forma de abordar la desafiante cuestión de si las
máquinas pueden poseer la capacidad de pensar. Turing reconoció la ambigüedad
y la falta de claridad en esta pregunta y creyó que sería más apropiado centrarse
en algo más preciso y menos abierto a la interpretación. Para establecer un
entendimiento común de términos como “máquina” y “pensamiento”, sugirió
realizar una encuesta para determinar sus definiciones y frecuencias de uso. Para
abordar este problema, Turing introdujo el Test de Turing como una alternativa a
la cuestión del pensamiento automático. Se refirió a él como el “Juego de
Imitación”, donde el objetivo es evaluar si una computadora digital puede superar
33
a un humano en una tarea específica. Al formular la pregunta de esta manera,
Turing pretendía pasar por alto la necesidad de una respuesta definitiva sobre el
pensamiento de la máquina y en cambio, centrarse en el rendimiento observable.
El juego presentado por Turing viene en varias formas y tiene variaciones
sutiles, pero en su versión final involucra a tres participantes: una persona, una
máquina y un juez. Cada participante está situado en una habitación separada,
etiquetada como X e Y y sus identidades se mantienen en secreto para el juez. El
objetivo del juez es determinar qué participante es el humano y cuál es la
máquina. Para lograrlo, el juez plantea preguntas que siguen un formato
específico, como “¿Podría X informarme si X tiene la habilidad de jugar al
ajedrez?”. Tanto X como Y, ya sean la máquina o la persona, deben dar
respuestas. El papel de la máquina en el juego es hacerse pasar por un ser humano
de manera convincente, mientras que el otro participante responde con sinceridad
a las preguntas.
Turing tenía tanta confianza en la eficacia del juego que predijo que 50
años después de su propuesta (alrededor del año 2000), los avances tecnológicos,
particularmente en la velocidad de procesamiento y la capacidad de la memoria,
limitarían las posibilidades del juez de distinguir correctamente la máquina de la
persona a no más del 70 %. En esencia, la Prueba de Turing sirve como una
solución conveniente al debate en curso en torno a la inteligencia de las máquinas.
Al reconocer la dificultad inherente de acceder y comprender el funcionamiento
interno de otras “mentes”, en particular las de las máquinas, esta prueba ofrece un
enfoque alternativo. En lugar de intentar determinar si una máquina posee la
capacidad de “pensar” como un ser humano, la prueba se basa en la evaluación de
su comportamiento observado y evaluado por un juez humano. Este criterio
basado en el comportamiento se convierte en la base principal para evaluar la
inteligencia de la máquina. Después de un examen y exploración exhaustivos de
estas ideas fundamentales que rodean la aplicación de la IA en el modelado de las
complejidades de la mente humana, se vuelve factible presentar y profundizar en
las diversas arquitecturas o diseños que se pueden implementar de manera
efectiva. Posteriormente, podemos analizar y evaluar cómo estos conceptos antes
mencionados juegan un papel fundamental en la definición y aclaración de las
complejidades de la mente desde un punto de vista computacional.
34
Capítulo II
Arquitectura Cognitiva y Funcionalismo
A lo largo de la historia, la Ciencia Cognitiva ha explorado dos teorías
principales sobre la construcción de la mente humana. Estas teorías, a menudo
denominadas “Arquitecturas mentales”, abarcan los diversos componentes de la
mente, así como las relaciones y funciones entre ellos. La primera arquitectura se
inspira en la computadora digital, donde los símbolos se procesan dentro de un
sistema físico, por otro lado, la segunda arquitectura, que ganó protagonismo en la
década de 1980, presenta un enfoque más reciente caracterizado por la integración
de numerosas microunidades interconectadas. Estas microunidades poseen la
capacidad de activar umbrales específicos, eliminando la necesidad de un
procesador de símbolos central.
Si bien ambos enfoques tienen como objetivo replicar el comportamiento
mediante el análisis de entradas y salidas, el primer enfoque se conoce
comúnmente como “de arriba hacia abajo”, ya que se basa principalmente en los
principios de la informática. Por otro lado, el segundo enfoque se inclina más a
ser “de abajo hacia arriba” ya que incorpora limitaciones que reflejan las
propiedades que se encuentran en la neurobiología. Asimismo, estos enfoques
pueden denominarse alternativamente “computabilidad algorítmica” frente a
“Procesamiento de señales”, o “Modelado de inteligencia artificial” frente a
“Modelado de redes neuronales”, a continuación, proporcionamos una descripción
general concisa de cada uno de estos marcos arquitectónicos.
Estrechamente relacionado con este concepto de manipulación de la
información está la hipótesis del “Sistema de Símbolos Físicos”, que fue
propuesta por Newell en 1980, como una hipótesis de procesamiento fundamental
dentro de la Arquitectura Clásica. Según esta hipótesis, la mente funciona de
manera similar a una computadora, entendiendo los fenómenos mentales como
una serie de procesos que involucran la manipulación de símbolos físicos. La
CPU sirve como componente central de esta arquitectura y es responsable de
ejecutar las reglas necesarias para procesar y transformar símbolos, que son
esencialmente representaciones de información. Además, la CPU también recibe
información de los sistemas periféricos y envía instrucciones al tercer componente
de la arquitectura, conocido como los sistemas motores de salida de
comportamiento.
En esencia, la CPU abarca funciones como la memoria, el aprendizaje y la
atención, por lo tanto, la arquitectura clásica del modelado de la mente se
35
caracteriza por sus sistemas periféricos, procesador de información central,
sistemas motores de salida de comportamiento, la idea de encapsulación de
información y la creencia en que la mente funciona como un sistema de símbolos
físicos. Estos componentes y principios juntos dan forma al marco de esta
arquitectura y brindan información sobre la comprensión de la mente. La
arquitectura clásica del modelado de la mente incluye varias características
distintas que definen su estructura y funciones. Un aspecto crucial es la inclusión
de sistemas periféricos que son capaces de recibir y capturar entradas del entorno
circundante, de forma muy similar a la forma en que funcionan nuestros sentidos
en los humanos.
Estos sistemas periféricos desempeñan un papel vital en la recopilación de
información y su transmisión al procesador central de información, también
conocido como CPU o Unidad Central de Procesamiento. Una característica
interesante de la arquitectura clásica es el concepto de “Encapsulación de
Información”, acuñado por algunos filósofos, como Stillings en 1995. Este
término se refiere a la noción de que la información que ingresa a la CPU
permanece sin cambios ni modificaciones, pero solo se manipula de una manera
que genera resultados de comportamiento. El funcionamiento de estos sistemas se
basa en la manipulación de símbolos, y esta manipulación la realiza un sistema
físico, como el cerebro, en el caso de la mente. La manipulación de los símbolos
ocurre de manera sintáctica, lo que significa que su uso está determinado por su
forma más que por su significado. Esta manipulación sigue un algoritmo
específico para una tarea determinada, la Arquitectura Cognitiva Clásica incluye
el concepto de “representación proposicional”, que sugiere que las proposiciones,
las unidades de pensamiento más simples, pueden analizarse en términos de su
verdad o falsedad cuando se conectan a entradas sensoriales del mundo externo.
Esencialmente, la actividad mental toma la forma de proposiciones
representacionales, que están conectadas entre sí por una unidad central de
procesamiento de información.
La concepción clásica de la mente está siendo desafiada por un nuevo
enfoque de modelado mental. Esta nueva perspectiva tiene como objetivo alejarse
del enfoque puramente computacional y en cambio, se enfoca en usar la metáfora
del cerebro para modelar la mente. El objetivo es replicar el procesamiento de la
información que ocurre en el sistema nervioso humano, específicamente el
funcionamiento de las neuronas y su interconexión. Según Smolensky en 1989,
este modelo se puede describir como “neuralmente inspirado”, ya que considera
algo similar a una neurona como la unidad de procesamiento fundamental. Esto
significa que ya no es necesario un procesador central responsable de la función
ejecutiva de entregar instrucciones de salida en función de las entradas recibidas.
36
En cambio, el sistema como un todo reacciona a las entradas ambientales y
produce salidas conductuales.
El uso del cerebro como metáfora para entender la mente ha llevado a un
nuevo conjunto de suposiciones cuando se trata de modelar procesos cognitivos.
Uno de estos supuestos es que el conocimiento y el procesamiento de la
información no están contenidos dentro de unidades individuales, sino que existen
dentro de las conexiones entre estas unidades. Esto significa que la actividad
cognitiva está intrínsecamente ligada a la estructura física del sistema como un
todo, en lugar de depender únicamente de un componente central de
procesamiento de información, esta representación desafía la noción de que la
actividad cognitiva se representa explícitamente a través de proposiciones, como
sugiere la arquitectura clásica. A diferencia de la arquitectura clásica, que se
centró en los estados de los elementos individuales para representar la
información, el modelado conexionista sugiere que la información a largo plazo
se almacena dentro de las conexiones entre microunidades, mientras que la
información a corto plazo puede almacenarse en un tipo de memoria de trabajo.
Asimismo, hay que hacer otra distinción entre la arquitectura anterior y la
nueva arquitectura conexionista, pero esta distinción es de naturaleza más
abstracta, gira en torno a las numerosas variables y limitaciones que influyen en el
comportamiento humano y la ventaja que ofrece una arquitectura conexionista
para adaptarse a estos factores. A diferencia de la arquitectura clásica, que se basa
en algoritmos que operan secuencialmente, la conexionista opera en paralelo,
reflejando el funcionamiento del cerebro humano. Esta operación paralela permite
una conceptualización diferente del comportamiento, ya que ya no se lo ve
únicamente como el resultado de un solo componente cognitivo, sino más bien
como el resultado de los esfuerzos colaborativos de múltiples componentes que
trabajan simultáneamente e interactúan entre sí. Este carácter colaborativo y de
influencia mutua genera el funcionamiento global del sistema.
Para resumir e ir más allá de las dos arquitecturas discutidas
anteriormente, es perentorio adoptar una perspectiva computacional cuando se
trata de comprender los conceptos propuestos por la ciencia cognitiva. Esta
perspectiva es necesaria tanto metodológica como teóricamente.
Metodológicamente, permite una comprensión objetiva y externa del
funcionamiento de la mente, facilitando su representación a través de modelos.
Teórico, porque sirve como hipótesis fundamental para la “construcción” de una
mente, por lo tanto, asumimos que ciertas características del mundo tangible (la
mente) comparten similitudes con un sistema idealizado e hipotético (una
computadora y sus operaciones). Esta suposición fortalece la metáfora de la
37
computadora como modelo cognitivo, permitiéndonos ver la mente como un
mecanismo computacional virtual con una base más sólida.
2.1 Inteligencia Artificial Fuerte
La perspectiva funcionalista-computacionalista tradicional sobre la mente
se puede resumir sucintamente: el cerebro funciona como una computadora digital
y la mente se puede comparar con el software que se ejecuta en esta computadora,
en consecuencia, los estados mentales pueden entenderse como estados
computacionales del cerebro, el concepto de que la mente es un sistema
computacional también se conoce como “Inteligencia artificial fuerte”, un término
acuñado por John Searle en su conocido ensayo “Minds, Brains and Programs”
publicado en 1980. Searle sostiene que dentro del campo de la inteligencia
artificial, existen dos perspectivas contrastantes con respecto al papel de las
computadoras en la comprensión del funcionamiento de la mente.
La primera perspectiva, conocida como “Inteligencia Artificial Débil”, ve
a las computadoras, máquinas o programas como meras herramientas que
permiten comprender mejor los procesos mentales al simularlos o implementarlos.
En contraste, la Inteligencia Artificial Fuerte propone que cuando una
computadora modela una mente, esencialmente se está creando una mente
completamente nueva. En otras palabras, una computadora que replica un proceso
mental no es una mera representación o imitación, sino que posee su propia
conciencia. A la luz de estas observaciones, se puede argumentar que la
Inteligencia Artificial Débil emplea la computadora como una representación
simbólica de la mente humana, mientras que la Inteligencia Artificial Fuerte
percibe la computadora como una encarnación real de la mente misma.
En la última perspectiva, una computadora posee estados mentales
similares a los experimentados por un individuo humano al comprender un cuento
o narración. En consecuencia, se hace evidente que nos enfrentamos a la
diferenciación entre modelado y realización. La introducción de esta nueva
propuesta ha allanado el camino para una posible resolución del desconcertante
problema mente-cuerpo. Ha disipado efectivamente el aura enigmática que
envuelve el intrincado vínculo entre nuestros reinos físico y mental y en su lugar,
ha propuesto una conexión que está libre de los enigmas de este problema, la
solución propuesta implica sustituir la relación mente-cuerpo convencional por un
vínculo mucho más coherente y continuo entre un programa y una computadora.
Esta perspectiva contradice directamente las teorías posteriores que
pretenden comprender la mente sin el concepto de un procesador central que
gobierna todas las funciones. Una de esas teorías es la “cognición situada”, que
38
destaca la importancia del contexto en el que tiene lugar la actividad cognitiva.
Argumenta que los procesos cognitivos están influenciados y moldeados por el
entorno en el que ocurren. En otras palabras, la cognición es vista como un
proceso dinámico que implica un intercambio continuo de información entre el
cuerpo y el entorno, lo que resulta en respuestas conductuales. Esta teoría desafía
la noción de que un procesador central es necesario para la actividad cognitiva, ya
que sugiere que la cognición surge de la interacción entre un individuo y su
entorno. La mención de comprender historias pertenece a la investigación
realizada por Schank y Abelson, como se analiza en el artículo de Searle. El
proyecto de Schank y Abelson tenía como objetivo recrear la capacidad cognitiva
de los humanos para comprender narrativas. Se centraron en la notable capacidad
de comprensión humana, que permite a las personas responder preguntas sobre
una historia, incluso cuando no se proporciona explícitamente la información
necesaria para responder esas preguntas.
2.2 La Mente y la Inteligencia Artificial
El funcionalismo propone que los objetos del mundo se pueden clasificar
de dos formas: en función de su estructura física o de su función. Los objetos
caracterizados por su estructura física, como una manzana, una célula o el vino,
poseen una disposición específica y compleja que define su identidad y determina
cómo interactúan con las leyes de la naturaleza, por otro lado, los objetos
caracterizados por su función, como un carburador, un escenario o una mesa,
pueden estar compuestos por varios componentes y estructuras físicas. Estos
objetos se identifican por las actividades o tendencias que les permiten cumplir un
propósito determinado. Por ejemplo, un escenario, independientemente de su
composición material, cumple la función de mostrar algo a una audiencia, por lo
que su identidad se define por su función más que por su estructura física.
De ahí surge la pregunta: ¿En cuál de los dos métodos de categorización
del mundo debe ubicarse la actividad mental? En otras palabras, ¿deberíamos
definir la mente en función de su estructura física o de su funcionalidad? Según la
perspectiva del Funcionalismo, sería incorrecto asumir lo primero. Sin embargo,
los seguidores de ciertas ideologías reduccionistas argumentan que la mente es
sinónimo de actividad cerebral. En consecuencia, si consideramos al cerebro
como una de las entidades físicas del mundo, es lógico contemplar la posibilidad
de que nuestra mente también sea de naturaleza física. Este punto de vista prioriza
campos como la neurociencia en la comprensión de la cognición, ya que el
estudio de la composición física del cerebro conduce a la comprensión de los
estados mentales.
39
Sin embargo, el punto de vista de un funcionalista afirma que es
concebible que la actividad mental se genere usando una forma diferente de
sustancia física. Esto implica que la clasificación de la mente debe basarse en su
función dentro del sistema cognitivo más que en su composición física. Para
ilustrar esto, consideremos un escenario hipotético en el que las mesas siempre
han sido construidas exclusivamente con madera. Sería difícil imaginar la
existencia de una mesa hecha de acero porque nuestras experiencias e intuiciones
nos llevan a creer que una mesa debe estar hecha de madera para cumplir su
propósito. Por lo tanto, vale la pena contemplar la posibilidad de que una mesa
pueda seguir considerándose una mesa aunque esté construida con un material
alternativo.
Siguiendo los principios del Funcionalismo, la misma noción puede
aplicarse a la actividad mental. Es loable que las mentes puedan manifestarse en
otras sustancias además del cerebro, en particular, el Funcionalismo propone que
ciertas mentes pueden equipararse con cerebros siempre que posean una cierta
organización que les permita procesar información, regular el comportamiento y
realizar tareas mentales como almacenar y asimilar conocimiento. En
consecuencia, la mente sería considerada como un atributo funcional más que
físico. la IA se basa en el concepto de este último, que permite la exploración de
diferentes tipos de hardware y su potencial para exhibir una actividad mental
similar a la humana. Esto abre la posibilidad de crear criaturas cognitivas
utilizando sustratos físicos alternativos.
La idea del funcionalismo juega un papel importante en diferenciar los
estados mentales de estas criaturas y caracterizarlos como estados funcionales.
Esto, a su vez, permite la implementación de estos sistemas en programas y/o
máquinas para simular computacionalmente fenómenos mentales. Al hacerlo,
podemos obtener una mejor comprensión de cómo operan estos fenómenos sin
reducir o eliminar estos estados. En cambio, podemos compararlos con los
comportamientos humanos cuando se enfrentan a tareas similares. La IA participa
en un debate filosófico entre la teoría de la identidad y el funcionalismo, que se
centra en un experimento mental. El experimento imagina el descubrimiento de
vida en Marte, en concreto una población de seres conocidos como marcianos.
Estos marcianos poseen una composición fisiológica única, utilizando
células de hierro en lugar de las células de carbón que se encuentran en la Tierra.
En consecuencia, sus cerebros diferían en estructura y composición de los
humanos. Con todo, a pesar de estas diferencias, se propone que el
funcionamiento del cerebro marciano podría presentar similitudes con los
procesos cognitivos de los humanos. En otras palabras, podría haber un
40
paralelismo entre los estados mentales que experimentan los humanos y los que
experimentan los marcianos, lo que nos permite identificar y etiquetar estados
mentales como "Dolor" en el cerebro marciano en función de sus relaciones con
otros estados mentales y las manifestaciones conductuales posteriores.
Una de las principales críticas a la Teoría de la Identidad gira en torno al
argumento de que el estado mental identificado, según esta teoría, sería
fundamentalmente distinto del estado mental experimentado por un ser humano
desde una perspectiva fisiológica. Esta crítica enfatiza el contraste entre la
composición física del estado mental identificado y la de un ser humano,
destacando la noción de que difieren en sus procesos fisiológicos subyacentes. A
pesar de esta discrepancia fisiológica, la Teoría de la Identidad sostiene que estos
estados mentales son esencialmente los mismos en términos de su funcionalidad.
Esta crítica desafía directamente la noción central de esta teoría, que afirma que
los estados mentales son meras manifestaciones de estados cerebrales.
Además, este argumento continúa afirmando que si el funcionamiento
interno de la mente en Marte fuera funcionalmente equivalente al funcionamiento
interno de la mente humana (es decir, que estuvieran vinculados a estímulos
externos, interconectados con otros estados mentales y comportamientos de la
misma manera que nuestras propias conexiones), entonces el ser marciano podría
experimentar dolor, tener deseos, creencias y miedos como un ser humano, a
pesar de las diferencias en la composición física entre los dos organismos. El
punto principal que el funcionalismo enfatiza y pretende confirmar es que lo que
verdaderamente importa para las experiencias mentales de una criatura no es la
sustancia de la que está hecha, sino la organización y estructura de los procesos
internos dentro de esa existencia mental. El concepto detrás de esta idea sugiere
que la inteligencia artificial tiene el potencial de desarrollar y crear seres que no
estén compuestos únicamente de materia orgánica humana. En otras palabras, si
podemos imaginar la existencia de formas físicas distintas a las humanas, como
un ser marciano, entonces es estimable sugerir que un dispositivo electrónico
artificial o una computadora podría tener la capacidad de poseer estados mentales,
siempre que posea un sistema interno que funcione de manera similar al nuestro.
Concisamente, el funcionalismo sugiere que es teóricamente factible que
existan seres con mentes similares a las nuestras, incluso si no poseen cerebros y
sistemas nerviosos basados en carbono. Esto plantea un desafío significativo para
la Teoría de la Identidad, puesto que implica que podría haber numerosos estados
físicos que se alineen con un solo estado mental. Esto también involucra que los
humanos podrían potencialmente diseñar y crear criaturas que posean habilidades
mentales similares a las humanas. Particularmente, el punto de vista funcionalista
41
propone que dado que un estado mental puede manifestarse en varias formas
físicas, es posible generar mentes y estados mentales artificialmente.
La IA Fuerte se basa en la idea de que la mente puede entenderse y
modelarse utilizando principios funcionalistas. Este enfoque es beneficioso
porque elimina la necesidad de comprender el intrincado funcionamiento del
cerebro y su conexión con el cuerpo humano en relación con la mente. Si bien la
mente puede depender de ciertas estructuras físicas para funcionar, estos detalles
no son cruciales para comprender sus procesos fundamentales. Al separar la
mente del cuerpo, la IA fuerte puede enfocarse principalmente en comprender
cómo nuestras experiencias psicológicas pueden explicarse en términos del
funcionamiento de la computadora, lo que se logra al descomponer sus
operaciones en componentes recursivos.
Desde esta perspectiva, el cerebro puede compararse con una computadora
digital, potencialmente incluso con una Máquina Universal de Turing, al igual que
una computadora, el cerebro ejecuta algoritmos a través de la implementación de
programas. En esencia, lo que comúnmente llamamos mente es básicamente un
programa o una colección de programas. Estos programas son responsables de
procesar la información y emplean componentes muy básicos y reglas de
transformación sencillas para realizar tareas específicas. Cabe destacar que estas
tareas pueden llevarse a cabo sin necesidad de ningún elemento o mecanismo
adicional. En resumen, la I.A Fuerte postula que la mente opera como un
dispositivo funcional dentro de un entorno cambiante.
Recibe entradas del entorno, que alteran sus estados internos, lo que lleva
a resultados de comportamiento observables. Este proceso se basa en la
manipulación de representaciones, específicamente símbolos y puede compararse
con el funcionamiento de una computadora digital. La mente, desde esta
representación, puede entenderse como un programa o un conjunto de programas
que utilizan componentes básicos y reglas de transformación para lograr tareas
específicas, todo ello sin necesidad de componentes adicionales. Ampliando las
ideas discutidas en secciones anteriores y como resumen de esta sección, la IA
fuerte afirma que la mente puede verse como un mecanismo funcional que opera
dentro de un entorno en constante cambio. Este entorno proporciona
constantemente entradas al mecanismo mental, que a su vez altera sus estados
internos. Estos cambios en los estados internos se reflejan luego en la salida
conductual de la mente.
Este proceso dinámico ocurre porque el mecanismo mental funciona
mediante la manipulación de representaciones derivadas del entorno, que en los
últimos tiempos se han simplificado a la manipulación de símbolos. En relación
42
con los estados mentales habituales, como creer, desear, esperar, entre otros
aspectos, estos estados también pueden definirse en términos de su funcionalidad.
Esto significa que estos estados mentales están influenciados por varias entradas y
otros estados mentales, y su actividad puede explicarse mediante la identificación
de reglas o programas sintácticos. Descubrir estas reglas o programas es esencial
para desentrañar los misterios de la mente y comprender la inteligencia.
El campo de la Ciencia Cognitiva está dedicado a comprender las diversas
habilidades mentales que poseemos los humanos. Esto implica desentrañar los
programas subyacentes que son responsables de estas habilidades, sin centrarse
necesariamente en establecer conexiones directas entre estos programas y el
cerebro. Esto se debe a que la actividad mental se puede desarrollar utilizando
diferentes tipos de hardware. Esencialmente, la cognición se puede simplificar a la
manipulación de ceros y unos (u otros símbolos). Por lo tanto, la efectividad de un
programa para implementar habilidades cognitivas puede determinarse
observando su comportamiento, como a través de la Prueba de Turing. Esto
permite a los psicólogos medir y comparar los programas que usan las máquinas
con los que usan los humanos.
La perspectiva computacionalista sobre la mente afirma que la mente
puede compararse con una computadora digital. En otras palabras, se cree que
funciona como un dispositivo de estado finito que almacena representaciones
simbólicas y realiza operaciones sobre estos símbolos utilizando reglas
sintácticas. Según este punto de vista, los pensamientos son representaciones
mentales simbólicas, y los procesos que ocurren en la mente pueden entenderse
como secuencias causales guiadas por los atributos sintácticos de estos símbolos,
más que por su significado semántico. El enfoque funcionalista para comprender
la mente se alinea estrechamente con este punto de vista computacional. Sin
embargo, es importante señalar que existen críticas y cuestionamientos que surgen
en relación a esta perspectiva, los cuales se investigaran en la siguiente sección.
2.3 Conciencia y Funcionalismo
Hasta ahora se ha descrito la perspectiva predominante en filosofía de la
mente, que se remonta a alrededor de 1970. Si bien este punto de vista ha
proporcionado ideas y sugerencias para una nueva comprensión de la mente, junto
con un marco para la investigación, no está exento de críticas. Específicamente, el
funcionalismo tiende a pasar por alto ciertas facetas de la mente que son parte
integral de nuestra existencia cognitiva. En el siguiente análisis profundizaremos
en los conceptos empleados por el funcionalismo y posteriormente dirigiremos
nuestra crítica hacia el complejo tema de la conciencia. El argumento a favor del
43
funcionalismo se basa en la idea de que es teóricamente posible que una mente
exista en una forma física distinta del cerebro.
Sin embargo, es importante cuestionar la base de esta afirmación, si
definimos lo posible como algo que puede ser imaginado, entonces es igualmente
posible imaginar que una mente no puede existir sin un cerebro. Simplemente
imaginar una mente sin cerebro no proporciona evidencia suficiente para respaldar
la afirmación de que esto puede ocurrir en la realidad. Lo que realmente se
necesita es una forma racional de justificar las suposiciones sobre lo que es
posible o lo que puede considerarse en relación con este tema. Hasta que el
funcionalismo pueda demostrar la atención de que una mente exista fuera del
cerebro, el argumento seguirá siendo inconcluso pero no necesariamente inválido.
Otro punto de crítica gira en torno a la utilización de un criterio conductual
para medir la actividad cognitiva, específicamente en relación con el Test de
Turing como medio para verificar la replicación de los procesos cognitivos.
Plantea la pregunta de por qué la mera duplicación del comportamiento lingüístico
por parte de una máquina programada se considera evidencia convincente de su
capacidad para pensar y ser inteligente. Específicamente, ¿por qué Turing afirma
que un juez puede ser engañado por el comportamiento lingüístico de una
máquina como base suficiente para considerarla inteligente? Es concebible que
Turing esté intentando presentar un argumento epistemológico sobre cómo
determinar si una máquina posee inteligencia, que está separado del hecho real de
que la máquina es inteligente.
Es meritorio que una máquina pueda ser inteligente sin poder convencer a
un juez de su inteligencia, o incluso en ausencia de un juez que la evalúe. En otras
palabras, la inteligencia de una máquina no depende de la percepción o
convicción de un juez sobre esa cualidad. Este punto de vista surge del enfoque de
Turing sobre el Juego de la Imitación, como se discutió anteriormente. Sin
embargo, uno puede preguntarse si la mera imitación del comportamiento
humano, evaluado a través de medios conductuales, es suficiente para establecer
que una máquina realmente replica características como la inteligencia o la
conciencia. Por lo tanto, es discutible que el Juego de Imitación posee un sesgo
hacia los aspectos conductuales, lo que resulta en una evaluación disminuida de la
actividad cognitiva con respecto al comportamiento cognitivo en sí.
La afirmación anterior presenta una contradicción porque la inteligencia
no puede ser determinada únicamente por la perspectiva del observador. Esto se
debe a que la inteligencia posee una característica distinta que la diferencia de
otros fenómenos científicos. La actividad cognitiva tiene lugar dentro de la mente
de un individuo y no siempre puede traducirse total o completamente en actividad
44
conductual. Por lo tanto, intentar reducir la inteligencia solo al comportamiento
podría llevar a una conclusión errónea. Además, aunque la prueba de Turing se
usa a menudo para abordar el desafío de definir la inteligencia y el pensamiento,
no es una solución infalible. No puede probar definitivamente que una máquina
posee la característica de inteligencia. Por lo tanto, se puede deducir que la mera
replicación de un atributo mental no indica necesariamente la existencia de la
entidad que se simula, según Searle en 1980. Además, la suposición errónea del
Test de Turing es que la emulación de la inteligencia puede lograrse mediante un
mecanismo artificial que imite sus acciones.
Es inviable simplificar un método de evaluación de la inteligencia basado
únicamente en la producción de actividad mental. Los factores que contribuyen a
la inteligencia podrían existir independientemente de los individuos que la
evalúan, creando así una desconexión entre los aspectos evaluativos o
epistemológicos del comportamiento y el aspecto ontológico de la actividad
cognitiva. Esto plantea un desafío al concepto original de Turing de resolver el
problema de comprender otras mentes y eludir los debates en torno a las
definiciones de pensamiento e inteligencia. Por el contrario, el Funcionalismo
parece encontrar dificultades cuando se trata de la naturaleza de las
representaciones mentales. Según esta perspectiva, los estados mentales son
entidades puramente funcionales.
Sin embargo, los estados mentales son en realidad estados
representacionales con contenido semántico. Considere el ejemplo de jugar al
ajedrez, a medida que participa en el juego, sus pensamientos giran en torno a él,
puede darse cuenta de que sus próximos movimientos podrían resultar en la
pérdida de la reina, pero también comprende que le está tendiendo una trampa a
su oponente. A pesar de ser consciente de los riesgos, decide continuar con su
estrategia, mostrando un estallido de “coraje ajedrecístico” que no se rige por
ninguna regla explícita del juego. Esto plantea la cuestión de si el funcionalismo
pasa por alto un aspecto crucial de la cognición humana. Si usted y la
computadora difieren en cómo representan el mundo, o si su representación
involucra tanto un componente semántico (moldeado por cómo los humanos
perciben el mundo) como un componente sintáctico (dictado por las reglas del
ajedrez y varias estrategias), mientras que la computadora solo se basa en un
componente sintáctico, parece razonable concluir que el funcionalismo puede
haber descuidado una faceta esencial de los procesos cognitivos.
Por ejemplo, la computadora no podría tomar decisiones basadas en la
“valentía del ajedrez”, ya que este concepto no está definido explícitamente en las
reglas del juego. Si bien se podría argumentar que una variable de juego aleatorio
45
podría incorporarse a un programa que imita mi juego, o que la noción de
“valentía ajedrecística” puede definirse en términos de reglas y representaciones,
carecería del valor semántico que tiene dentro de mi propio marco cognitivo.
Ahora, imagine crear un programa de computadora que imite perfectamente su
estilo de juego, convirtiéndose esencialmente en una réplica funcional de sus
habilidades para jugar al ajedrez. De acuerdo con el funcionalismo, tanto tú como
la computadora exhiben los mismos estados mentales.
No obstante, ¿realmente la computadora piensa de la misma manera que
una persona cuando juega al ajedrez? Intuitivamente, se podría argumentar que la
computadora carece de una conciencia genuina, por ejemplo, del riesgo que
implica que falle la trampa de la reina. Esto se debe a que la computadora
simplemente está imitando su comportamiento y estados de representación a
través de un método fundamentalmente diferente al que emplea para percibir y
navegar por el mundo usando sus propios estados mentales. Hasta ahora, se han
examinado varios conceptos planteados por el funcionalismo con el fin de reforzar
esta teoría de la mente, que particularmente ha ganado terreno entre los
investigadores en el campo de la inteligencia artificial, ya que ofrece un marco
para crear máquinas que poseen capacidades cognitivas. A pesar que, un aspecto
importante de la cognición humana que el funcionalismo no logra explicar es la
conciencia.
En la actualidad, definiremos la conciencia como el aspecto de la actividad
cognitiva que es personal y profundamente conectado con el momento de percibir
el mundo, el funcionalismo se queda corto a la hora de explicar el fenómeno en el
que dos individuos pueden tener percepciones diferentes a la hora de apreciar un
vino, por ejemplo. dos sujetos, Luis y Pedro, que son funcionalmente idénticos en
términos de su capacidad para probar un vino, pero pueden tener experiencias
subjetivas que difieren, incluso si ambos individuos asistieron al mismo curso de
cata de vinos, recibieron evaluaciones idénticas, poseen habilidades cognitivas
normales y eligieron el mismo vino como el mejor que han probado, sus
experiencias subjetivas o cualidades de beberlo pueden variar. La comprensión
algorítmica de la mente no proporciona una explicación o predicción para este
hecho.
En otras palabras, incluso si dos personas son idénticas en términos de sus
habilidades y comportamientos, aún pueden tener experiencias y percepciones del
mundo muy diferentes. Esto se debe a que lo que puede parecer un
funcionamiento congruente a nivel superficial, en realidad puede ocultar
variaciones significativas en sus experiencias personales. Es totalmente posible
que dos personas tengan diferentes procesos cognitivos y experiencias subjetivas
46
sin que estas diferencias sean evidentes en su comportamiento o funcionalidad, es
decir si estas distintas experiencias cualitativas desempeñan un papel en la
configuración de los estados mentales y la vida mental en general, una explicación
funcionalista no logra explicar ni reconocer completamente estas diferencias.
En una línea argumental similar, Chalmers en 1996 introduce el concepto
de “qualia sensorial” y profundiza en sus complejidades, para este filósofo, los
qualia pueden definirse como las cualidades subjetivas que acompañan a nuestras
experiencias mentales. En términos más simples, cuando estamos en un estado
mental consciente, existe una experiencia distinta y personal asociada con ese
estado. Por ejemplo, considere la sensación que siente al pasar los dedos por un
tenedor afilado o el impacto emocional de escuchar una canción de heavy metal.
Estos sentimientos privados, subjetivos y personales se conocen como qualia y se
manifiestan en cada estado mental consciente que se experimenta. Chalmers
enfatiza la importancia de reconocer que cada estado consciente de la mente tiene
su propio sentimiento único y distinto.
Apelando a una perspectiva alternativa sobre el asunto, el concepto de
qualia también puede entenderse como la encarnación de un dolor insoportable o
un placer intenso. Al poseer esta naturaleza subjetiva y altamente personal, los
atributos de la experiencia sensorial no se pueden delinear o articular
objetivamente, ya que solo se pueden encontrar de primera mano, desde la propia
perspectiva de un individuo. Esto plantea un dilema epistemológico significativo
en términos de definirlos e investigarlos. En términos más simples, los qualia
sensoriales solo pueden captarse cuando uno los experimenta directamente a nivel
personal, en lugar de a través de la observación externa desde un punto de vista
objetivo. El funcionalismo tiene un problema particular cuando se trata de los
qualia sensoriales, que puede explicarse de la siguiente manera: al definir los
estados mentales principalmente en términos de sus relaciones, el funcionalismo
pasa por alto la naturaleza cualitativa inherente de estos estados. La perspectiva
funcionalista no reconoce ni proporciona una explicación de las experiencias
subjetivas asociadas con los estados mentales, ni puede definir o describir de
manera efectiva los aspectos cualitativos de estas experiencias.
Vale la pena considerar la idea de que puede haber variaciones en las
experiencias subjetivas de los individuos, que el funcionalismo no tiene en cuenta.
Dentro del ámbito de la literatura, existen varias interpretaciones del problema del
“Espectro Invertido”, inicialmente introducido por Locke en 1690. Este
argumento gira en torno al siguiente escenario: Imaginemos dos individuos, Pedro
y Pablo, que poseen condiciones físicas y psicológicas completamente normales.
Poseen la capacidad de hacer discriminaciones somatosensoriales idénticas a las
47
que haría cualquier otra persona, y ambos exhiben una completa normalidad en
términos de sus funciones corporales. Por ejemplo, pueden discernir los colores de
la misma manera, cuando se les indica a los individuos que seleccionen entre una
manzana roja y descarten la manzana verde, ambos elegirán con éxito la manzana
roja.
De manera similar, si se les indica que tomen una manzana verde y se la
lancen a su adversario, lo harán sin esfuerzo, sin embargo, es importante señalar
que sus experiencias personales difieren significativamente. El fenómeno al que
Peter se refiere como “veo rojo” es esencialmente el mismo que Paul describe
como “veo verde” y a la inversa, tiene lugar la experiencia conocida como
“experiencia invertida rojo-verde”. Si fuera posible que nuestra percepción de los
colores se invirtiera por completo, el Funcionalismo no podría explicar nuestras
experiencias subjetivas. Esto se debe a que las experiencias subjetivas están más
allá del alcance del marco funcionalista, lo que resultaría en un error al describir
nuestros estados mentales. De acuerdo con el Funcionalismo, si dos personas,
digamos Paul y Peter, ambos dicen "Veo rojo" pero sus experiencias son
diferentes, el Funcionalismo aún proporcionaría la misma descripción para las
experiencias de ambos.
Esto se debe a que el Funcionalismo cree que si un estado mental tiene la
función de ser la sensación de rojo, entonces se define como un estado de rojo, en
otras palabras, un enfoque funcionalista de los estados fenoménicos de Pedro y
Pablo sería incorrecto porque, desde una perspectiva conductual-funcional,
concluiría que ambos sujetos tienen los mismos estados cuando en realidad no los
tienen. Tanto Pedro como Pablo han llegado a comprender los conceptos de rojo y
verde a partir de sus propios encuentros individuales, subjetivos y privados. Como
resultado, se vuelve un desafío determinar si realmente tienen experiencias
distintas al considerar los aspectos funcionales y externos. En consecuencia, el
funcionalismo se queda corto en su capacidad para dilucidar estas experiencias
cualitativas.
El concepto de espectro invertido, que sugiere que los individuos pueden
percibir los colores de manera diferente, no es solo una idea teórica, sino que
también se ha observado en casos clínicos reales como el daltonismo o la “visión
pseudonormal”. Según el Funcionalismo, que define los estados mentales sin
considerar las experiencias subjetivas, el Espectro Invertido se considera
imposible. Sin embargo, considerando que el espectro invertido es tanto teórica
como clínicamente posible, es lógico cuestionar la validez del funcionalismo,
sugiriendo que puede ser falso o al menos incorrecto en este sentido, según
Churchland. Se podría argumentar en contra de que la presencia de la experiencia
48
subjetiva sea un problema para la filosofía funcionalista afirmando que la teoría
puede reconocer que diferentes individuos tienen diferentes qualia sin socavar el
hecho de que los estados mentales son fundamentalmente relacionales.
Según esta perspectiva, la explicación de los estados mentales puede
proporcionarse sin depender de los qualia. A pesar de, este contraargumento abre
la posibilidad de considerar el concepto de “Ausencia de Qualia”, en el que podría
existir un sistema idéntico a nuestro propio organismo pero carente de las
experiencias subjetivas que exhibimos, sería un error ignorar la innegable realidad
de los qualia, que son una genuina capacidad cognitiva accesible a todos nosotros.
La falta de herramientas para medir y comprender con precisión una determinada
capacidad no debe llevarnos a adoptar el reduccionismo o el eliminativismo como
únicas explicaciones. El problema de equiparar los estados mentales con los
estados neuronales es que potencialmente puede ocurrir independientemente uno
del otro.
Si bien el reduccionismo reconoce la existencia de los qualia, sugiere que
estas experiencias no son más que un tipo específico de estado mental,
denominado X. Por otro lado, el argumento sobre la inversión de rojo y verde
tiene un efecto secundario, este efecto conduce a la capacidad de criticar cualquier
método de estudio que se base únicamente en la observación externa de los
fenómenos mentales. Se podría argumentar que ningún tipo de prueba de
comportamiento podría detectar la experiencia de ver rojo como verde, ya que
estas pruebas están diseñadas para medir la capacidad de diferenciar objetos en el
mundo físico, no la capacidad de etiquetar experiencias subjetivas internas.
Entonces surge el problema de que Peter y Paul pueden tener experiencias
subjetivas del mundo completamente diferentes, pero su comportamiento
parecería idéntico, lo que socava la suposición de que los estados mentales pueden
estudiarse de manera integral utilizando únicamente enfoques objetivos basados
en el comportamiento.
2.4 Conciencia más IA
La implementación de estos modelos de conciencia se ve como un medio
para mejorar nuestra comprensión de la conciencia misma. Al aplicar con éxito
estos modelos en entornos prácticos, los investigadores pueden obtener
información valiosa sobre la naturaleza fundamental de la conciencia y sus
diversas manifestaciones. Esta aplicación práctica de los modelos de conciencia
sirve como un trampolín para desentrañar el enigma que presenta la conciencia.
Por último, el objetivo final de los investigadores en el campo de la IA, es crear
un modelo de máquina consciente que no solo replique la conciencia humana sino
que también contribuya a nuestro conocimiento científico. Este ambicioso
49
objetivo refleja la fascinación constante por la relación entre las máquinas y la
cognición, un tema que ha cautivado las mentes de los estudiosos durante siglos.
Como destaca Newell en 1980, un renombrado científico cognitivo, un
sistema físico de símbolos juega un papel fundamental en la investigación de las
complejidades de la mente humana. Esta perspectiva histórica subraya el interés
permanente en explorar la profunda conexión entre las máquinas y la cognición.
En conclusión, el renovado interés en el estudio de la conciencia desde diversas
disciplinas como la Psicología, la Filosofía y la Neurociencia refleja un
reconocimiento creciente de su importancia. Esta fascinación se ha extendido al
mundo de la IA, donde los investigadores se esfuerzan por construir modelos
integrales de conciencia, aplicar estos modelos para mejorar nuestra comprensión
y en última instancia, crear modelos de máquinas conscientes que contribuyan a
nuestro conocimiento científico.
La compleja relación entre las máquinas y la cognición ha cautivado a los
académicos durante mucho tiempo y esta perdurable curiosidad es evidente en el
rico tapiz de investigación y exploración en este campo. Además, la fascinación
por la conciencia no se ha limitado a los ámbitos de la investigación científica
tradicional, sino que también se ha extendido al campo de la inteligencia artificial.
Los investigadores en este dominio han identificado tres objetivos principales que
sustentan su investigación. En primer lugar, su objetivo es desarrollar modelos
integrales de conciencia que capturen con precisión su naturaleza esquiva. Al
construir estos modelos, los científicos esperan obtener una comprensión más
profunda del intrincado funcionamiento de la conciencia y descubrir sus misterios.
En los últimos años, ha habido un aumento significativo en el nivel de
interés en torno al estudio de la conciencia. Este interés ha surgido desde diversas
disciplinas como la Psicología, la Filosofía y las Neurociencias, reflejando un
resurgimiento en la importancia que se le da a la comprensión de este complejo
fenómeno. Los científicos están particularmente intrigados por el concepto de
conciencia, ya que está intrincadamente conectado con el cerebro, que es
ampliamente reconocido como la máquina más intrincada y sofisticada conocida
por la humanidad. La hipótesis sugiere que los humanos son sistemas de símbolos
físicos y como resultado, las mentes surgen dentro del universo físico. Este
concepto establece el marco en el que nos esforzamos por desarrollar una teoría
científica sobre la naturaleza de la mente.
Por otro lado, el concepto de incorporar una “conciencia” en máquinas
específicas está impulsado por el potencial para desarrollar máquinas más
inteligentes. Este campo de estudio, denominado “conciencia de máquina” o
conciencia de máquina, también se ha denominado “modelado de conciencia de
50
máquina – MMC” o conciencia de modelado utilizando máquinas. El objetivo
principal de los investigadores en esta área se puede resumir en un objetivo doble:
desentrañar la esencia de la conciencia fenoménica, que está asociada con lo que
el filósofo David Chalmers denominó “El difícil problema de la conciencia”, y
comprender el papel de la conciencia en la dirección comportamiento, así como su
relación con otras habilidades cognitivas como la atención y la planificación.
El trabajo en Machine Consciousness (MMC) abarca dos aspectos
interconectados, lo que lleva al desarrollo de varios criterios y programas de
investigación para diseñar máquinas conscientes. Un enfoque se centra en replicar
el comportamiento consciente, mientras que otro hace hincapié en dotar a las
máquinas de propiedades fenomenales. Reconociendo las diversas perspectivas
dentro de MMC, (Gámez, 2007) propone una definición útil para este campo
basada en los siguientes criterios.
- MC1: Máquinas que muestran un comportamiento externo asociado a la
conciencia.
- MC2: Máquinas con propiedades cognitivas vinculadas a la conciencia.
- MC3: Máquinas con una arquitectura que pretende ser la causa o
correlato de la
conciencia humana.
- MC4: Máquinas con conciencia fenomenal.
Es importante señalar que algunos programas pueden tener en cuenta
múltiples factores o criterios. Por ejemplo, hay programas diseñados para buscar
MC4, lo que se puede hacer utilizando arquitecturas basadas en operaciones
neuronales como MC3. Este sistema de clasificación ayuda a reducir el enfoque
de la investigación y la crítica cuando se argumenta que una máquina programada
no puede mostrar una conciencia fenoménica. En el contexto de esta discusión, las
críticas se referirían específicamente al trabajo realizado en MC4 y también
resaltarían la distinción entre replicar MC1 y replicar MC4. Para obtener una
comprensión más profunda de las características de los criterios utilizados en
Machine Consciousness, es trascendental explorar más a fondo cada criterio.
En primer lugar, en el contexto de MC1, se hace una distinción entre
comportamientos observables conscientes y aquellos que no requieren conciencia,
como las contracciones musculares durante el salto o actividades automatizadas
como atarse los cordones de los zapatos. Sin embargo, una parte importante de
nuestro comportamiento está estrechamente relacionada con nuestra conciencia,
en particular las tareas complejas que exigen nuestra atención y dependen de
nuestra percepción, como tomar notas en una clase. Esta diferenciación entre los
51
dos tipos de comportamiento sirve para resaltar que MC1 tiene como objetivo
replicar la última categoría de actividades. Sin embargo, es importante aclarar
que, si bien los comportamientos que se replican pueden requerir una conciencia
fenoménica en la mente humana, este aspecto no es de interés en MC1. La
atención se centra en la creación de máquinas que puedan realizar tareas sin
ninguna experiencia subjetiva, funcionando esencialmente como robots zombis.
En consecuencia, el criterio para atribuir conciencia en MC1 se limita únicamente
al comportamiento observable de la máquina. En otras palabras, el Test de Turing
se considera una medida suficiente para determinar si una máquina posee o no
conciencia.
MC2, también conocido como máquinas que poseen atributos cognitivos
relacionados con la conciencia, se refiere al campo que tiene como objetivo
explorar los vínculos entre la conciencia y varios fenómenos cognitivos,
incluidos, entre otros, la imaginación, la creatividad y el aprendizaje. Este tipo
particular de investigación está menos interesado en incorporar la conciencia
fenoménica (MC4) en su implementación. Se centra en simular emociones como
el miedo o la creatividad en una máquina, sin necesidad de presencia
fenomenológica real. Si bien algunas investigaciones tienen como objetivo
modelar las facultades cognitivas de manera realista (MC1) o utilizando
arquitecturas asociadas a la conciencia (MC3), también es posible concebirlo sin
involucrar estas áreas. Un ejemplo de esto se ve en programas que carecen de un
comportamiento observable basado en algoritmos simples. Existe un área de
investigación popular, relacionada con MC2, conocida como "Sistemas Expertos",
que involucra aplicaciones informáticas capaces de resolver problemas que
requieren conocimientos especializados en temas específicos. Estos sistemas
contienen información recopilada de uno o más expertos en un campo en
particular. Este ejemplo ilustra cómo es posible replicar una capacidad específica,
como generar predicciones o brindar soluciones a problemas, sin depender de
ninguna de las otras tres áreas.
MC3 pertenece a la investigación realizada sobre las arquitecturas que se
encargan de generar actividad consciente, surge como un esfuerzo por desarrollar
modelos y probar hipótesis sobre este fenómeno. Una de las teorías exploradas en
este campo se basa en una arquitectura conocida como “espacio de trabajo global”
propuesta por Baars en 1993. Esta teoría sugiere que existe un espacio donde la
conciencia y otros aspectos de la actividad mental pueden acceder e intercambiar
información. En términos de su alcance, MC3 comparte puntos en común con
MC1 y MC2 cuando se trata de replicar características cognitivas y de
52
comportamiento. Sin embargo, también se puede conectar con MC4 si se
reconoce el potencial de una arquitectura específica para dar lugar a estados de
conciencia extraordinarios.
Pasando a MC4, que resulta ser el área más controvertida, esto se debe a
que MC1, MC2 y MC3 están todos conectados a lo que Block llama conciencia
A, y no tienen como objetivo crear u otorgar estados fenoménicos a una máquina,
por otro lado, MC4 plantea cuestiones filosóficas concretas, ya que implica dar
experiencias fenomenales reales a una máquina. Al basarse en la distinción entre
“Inteligencia artificial fuerte” e “Inteligencia artificial débil”, uno podría asociar
el trabajo en MC4 con el primero, mientras que el trabajo en MC1, MC2 y MC3
cae dentro de la última categoría. En otras palabras, la investigación realizada en
MC1-MC3 se centra en un enfoque objetivo y funcional para comprender la
conciencia, específicamente la conciencia A, mientras que MC4 aborda
directamente la conciencia P.
Esto hace que MC4 sea único, puesto que es la única área que pretende
tratar directamente con la experiencia cualitativa en las máquinas. Ahora, es
importante considerar que el hecho de que una máquina pueda simular una
arquitectura “consciente” no significa que sea realmente consciente. La relación
entre MC4 y otras áreas de investigación es bastante compleja y multifacética.
Puede estar intrincadamente conectado a un marco arquitectónico particular o
estar vinculado a comportamientos y fenómenos cognitivos específicos asociados
con la conciencia. Simultáneamente, se puede explorar dentro de varios sistemas
que se inspiran en concepciones alternativas de la mente, como la cognición
encarnada o la cognición situada, lo que destaca la necesidad de que los
investigadores en MC4 tengan bases teóricas sólidas. Estos investigadores se
esfuerzan por desarrollar máquinas que puedan experimentar emociones
genuinamente.
Al explorar el ámbito de las máquinas con conciencia, es importante
considerar qué factores contribuyen a que una máquina tenga conciencia. La
respuesta a esta pregunta diferirá según el tipo de arquitectura empleada, ya sea la
arquitectura clásica o la conexionista. Según el paradigma clásico, una máquina
puede mostrar procesos cognitivos si sus estados mentales son representaciones
simbólicas del mundo y los algoritmos que emplea representan explícitamente los
cálculos que realiza. Por otro lado, el paradigma conexionista pone énfasis en los
mecanismos que generan estas representaciones utilizando modelos no
simbólicos. Sin embargo, la tarea de determinar los factores que contribuyen a
que una máquina tenga experiencias extraordinarias permite una distinción más
53
precisa entre cuándo una máquina realmente posee estas experiencias y cuándo
no.
En el ámbito de la investigación, la generación actual de robots diseñados
para la interacción humana ha demostrado resultados encomiables en términos de
operación mecánica y control de movimiento. Pero, estos robots sufren
limitaciones en la percepción, la capacidad de razonamiento y la adaptación a
entornos no estructurados o dinámicos. Como destacan Chella y Manzotti 2007,
carecen de la capacidad para comprender y responder efectivamente a su entorno,
en consecuencia, una nueva generación de robots que tienen como objetivo
interactuar con humanos en entornos diversos y en constante cambio necesita una
capacidad mejorada para percibir y comprender el entorno, incluidos sus eventos
y objetos. Hay dos razones principales para este interés.
En primer lugar, profundizar en A.I. la investigación ayudaría a dilucidar
el concepto de “lo que se siente al estar consciente” y cómo esta comprensión
puede mejorar el rendimiento de una máquina en tareas inteligentes. El campo de
la IA, postula que todo lo que se puede sintetizar se puede construir, si esta
construcción logra impartir conciencia, incluso hasta cierto punto, a una máquina,
sería lógico reconocer la posibilidad de que la máquina posea conciencia.
Además, es muy probable que la presencia de la conciencia, hasta cierto punto, se
manifieste en cambios o mejoras de comportamiento, lo que en última instancia
conducirá a la creación de máquinas con un rendimiento superior en comparación
con las que no tienen conciencia.
Al mismo tiempo, la IA tradicional, los enfoques se enfrentan a numerosos
desafíos cuando se trata de crear máquinas conscientes. Estos enfoques han
operado durante mucho tiempo bajo el supuesto de que un algoritmo bien
diseñado es todo lo que se necesita para replicar la actividad inteligente. Sin
embargo, las complejidades del sistema nervioso humano plantean importantes
obstáculos en este esfuerzo. Para concluir, el campo de la inteligencia artificial ha
eludido en gran medida la cuestión de la conciencia desde sus orígenes con el
innovador trabajo de Alan Turing. Sin embargo, en los últimos años, ha habido un
interés renovado en explorar este aspecto elusivo de la cognición humana.
Académicos de varias disciplinas han argumentado que la conciencia juega un
papel crucial en el comportamiento inteligente y en varios otros procesos
cognitivos y sociales.
La intrincada interacción entre el funcionamiento del cerebro humano, el
cuerpo físico y el entorno circundante es lo que da lugar a la conciencia. Esta
conciencia, que abarca tanto la conciencia A (conciencia de los estímulos
externos) como la conciencia P (experiencia subjetiva), nos permite percibirnos a
54
nosotros mismos como individuos que se encuentran con diversos eventos y
situaciones. Además, desempeña un papel crucial en la mejora de nuestras
capacidades cognitivas, comúnmente denominada actividad inteligente, que
ningún algoritmo puede dilucidar o replicar por completo. En consecuencia, se
vuelve pertinente explorar la plausibilidad de máquinas, programadas únicamente
en base a algoritmos, que posean el mismo nivel de conciencia subjetiva
profunda.
55
Capítulo III
Hacia un Futuro en el que Aprendizaje no solo es Convencional,
sino también Inteligente y Eficiente
Examinar la inteligencia artificial de manera integral nos permite
profundizar en su verdadera esencia y establecer una comprensión más precisa e
intrincada de esta notable tecnología. Esta exploración implica analizar las
perspectivas de varios autores y realizar una extensa investigación mundial para
desentrañar sus complejidades. En la era actual, la tecnología se ha convertido en
un aspecto integral de la vida cotidiana de las personas, impregnando varios
dominios, como las interacciones sociales, las prácticas culturales, la atención
médica, el empleo, las operaciones comerciales y en particular, la educación. Su
presencia en el panorama educativo ha revolucionado el proceso de aprendizaje y
las funcionalidades administrativas. Sin duda, la inteligencia artificial se destaca
como uno de los avances más notables de la historia reciente, y su impacto se
siente en múltiples sectores, incluida la educación.
Este aumento tecnológico sin precedentes ha allanado el camino para el
desarrollo de sofisticados programas de inteligencia artificial que tienen como
objetivo simplificar las responsabilidades humanas. En consecuencia, los
creadores de sistemas de IA ahora tienen una gran cantidad de recursos a su
disposición, lo que les permite abordar tareas diarias complejas con facilidad e
innovar de formas nunca antes imaginadas. El rápido avance de la tecnología ha
beneficiado enormemente la aparición de sofisticados programas de software que
tienen como objetivo optimizar las tareas humanas. Como resultado, este progreso
ha estimulado el desarrollo de la inteligencia artificial, lo que permite a los
creadores proporcionar una amplia gama de herramientas para simplificar tareas
complejas y repetitivas y en última instancia, mejorar los procesos de una manera
inventiva e ingeniosa.
Con los continuos avances tecnológicos, la inteligencia artificial se ha
vuelto cada vez más importante para mejorar la educación y el aprendizaje en
varios niveles. Es importante mantenerse informado sobre estas innovaciones
revolucionarias y comprender su impacto potencial en el futuro de la educación.
Por ejemplo, McCarthy, Minsky, Nathaniel Rochester y Shannon en 1956
introdujeron el concepto de inteligencia artificial como “la capacidad de las
máquinas para ejecutar tareas que normalmente requieren inteligencia humana”.
Esta definición, propuesta hace más de medio siglo por un proyecto de
investigación en Dartmouth College, sigue siendo la forma más antigua de
56
inteligencia artificial. Se centra específicamente en la capacidad de las máquinas
para realizar tareas que normalmente requerirían inteligencia humana. A pesar de
su antigüedad, esta definición amplia y global ha resistido la prueba del tiempo y
sigue siendo notable en la actualidad.
La IA no solo tiene la capacidad de realizar tareas que requieren
inteligencia humana, sino que también facilita el aprendizaje, Esto significa que la
IA puede ayudar en varias áreas, incluida la educación. Por ejemplo, existen
desarrollos continuos de herramientas como chatbots educativos, tutores virtuales
y plataformas de aprendizaje personalizado, cuyo objetivo es mejorar la
experiencia de enseñanza y aprendizaje. Estos avances en IA tienen el potencial
de revolucionar la forma en que se brinda y personaliza la educación para las
personas.
Además, la notable capacidad de utilizar algoritmos de aprendizaje
automático está presente en esta tecnología, lo que permite el análisis de grandes
cantidades de información y personaliza el proceso de aprendizaje para cada
estudiante individual. De manera similar, el concepto de inteligencia artificial
opera según el principio del aprendizaje automático, donde las máquinas
adquieren conocimiento a partir de datos, encuentros previos y emplean técnicas
de procesamiento de datos para manejar grandes cantidades de información. Es
imperativo contemplar la definición de inteligencia artificial destacada por
Yudkowski en 2013, quien postula que es el campo dedicado a comprender cómo
las computadoras pueden realizar tareas en las que los humanos actualmente
sobresalen. En esta definición, enfatiza la importancia de la simplicidad en el uso
y el potencial para mejorar la eficiencia y la precisión en la ejecución de una
amplia gama de tareas.
Por el contrario, la definición proporcionada por Russell y Norvig en 2010
presenta una perspectiva única sobre la inteligencia artificial, destacando su papel
como una disciplina distinta dentro de la informática. Según su definición, la IA
engloba el desarrollo de sistemas avanzados capaces de emular la inteligencia
humana en diversas tareas complejas. Estas tareas, que normalmente requieren
habilidades cognitivas humanas, van desde el reconocimiento de voz hasta la
toma de decisiones y los procesos de resolución de problemas. Al encapsular estas
capacidades, la IA busca cerrar la brecha entre las máquinas y la inteligencia
similar a la humana, revolucionando la forma en que interactuamos con la
tecnología. Al profundizar en las complejidades de la IA, los investigadores y los
profesionales buscan desbloquear todo el potencial de estos sistemas, allanando el
camino para avances innovadores en numerosos campos.
57
En esencia, la definición de Russell y Norvig no solo arroja luz sobre el
amplio alcance de la IA, sino que también enfatiza su profundo impacto en
nuestra sociedad, ya que se esfuerza continuamente por ampliar los límites de lo
que las máquinas pueden lograr. Estas diversas explicaciones destacan facetas
contrastantes de la inteligencia artificial, pero todas convergen en la noción de que
la IA es una tecnología notable capaz de adquirir conocimiento, ajustar su
comportamiento y resolver problemas complejos de forma independiente, todas
estas afirmaciones subrayan la importancia del aprendizaje automático y la
recepción de información para construir sistemas de IA que sean cada vez más
sofisticados y beneficiosos. En el campo de la educación, la inteligencia artificial
juega un papel crucial en el examen de la información de los estudiantes y en la
adaptación de la experiencia de aprendizaje para satisfacer los requisitos únicos de
cada estudiante. Al ofrecer sugerencias personalizadas como recursos
recomendados y tácticas de aprendizaje efectivas, la IA permite a los estudiantes
recibir una educación que se alinea perfectamente con sus fortalezas y debilidades
individuales. Como resultado, su aprendizaje se optimiza, lo que conduce a
mejores logros académicos y éxito general.
La aplicación de la inteligencia artificial en la educación va más allá de la
simple identificación de patrones en el rendimiento académico, también abarca el
desarrollo de sistemas de aprendizaje inteligentes que se adaptan a las necesidades
individuales de los estudiantes y facilitan experiencias de aprendizaje
personalizadas. Un ejemplo de esto es la utilización de sistemas de tutoría
inteligentes, que no solo evalúan el progreso de los estudiantes, sino que también
ofrecen comentarios instantáneos y personalizados para mejorar su comprensión,
estos sistemas tienen la capacidad de construir entornos de aprendizaje virtuales y
simulados, lo que permite a los estudiantes sumergirse en escenarios de la vida
real y adquirir habilidades prácticas sin ningún riesgo.
La inteligencia artificial ha revolucionado significativamente la gestión y
administración universitaria en varios aspectos. Un área notable donde su impacto
es evidente es la automatización de tareas administrativas, que incluye la gestión
de horarios y registro de estudiantes. Al implementar tecnologías de IA en estas
áreas, la carga de trabajo del personal administrativo se reduce considerablemente,
lo que les permite dedicar más tiempo y esfuerzo a actividades más productivas.
En consecuencia, este avance en IA mejora la calidad general de la educación
universitaria en múltiples dimensiones, lo que afecta la forma en que se imparte,
adquiere y aborda la educación. La inteligencia artificial ha provocado una
transformación revolucionaria en el mundo al agilizar y simplificar varias tareas,
revolucionando los procesos educativos y proporcionando una gran variedad de
recursos que infunden innovación y creatividad en la enseñanza en el aula. Como
58
resultado, el papel de los docentes en las instituciones educativas ha sufrido un
cambio notable, reconociendo la imparable y generalizada utilización de la
inteligencia artificial.
3.1 IA para Educación Especial
Esta sección tiene como objetivo profundizar en los diversos recursos de
inteligencia artificial que se están empleando actualmente para ayudar a los
estudiantes con discapacidades. Estos recursos abarcan sistemas de lectura y
escritura de voz, programas de traducción de idiomas en tiempo real y
dispositivos de asistencia para la movilidad, por otro lado se destacan los posibles
obstáculos y temores que pueden surgir al utilizar la inteligencia artificial en el
contexto de los estudiantes con necesidades educativas especiales. La inteligencia
artificial se utiliza cada vez más en el ámbito de la educación especial, donde
sirve para ayudar a los estudiantes con necesidades educativas especiales (NEE) a
superar sus desafíos únicos y lograr una educación de alta calidad. Esta tecnología
ofrece soporte personalizado que se adapta específicamente a los requisitos
individuales de estos estudiantes, asegurando que su experiencia educativa se
adapte a sus distintas necesidades.
Los sistemas de aprendizaje inteligente tienen una amplia gama de
aplicaciones en diversas industrias. En el campo de la atención médica, en
particular estos sistemas se pueden usar para el diagnóstico médico, la
planificación del tratamiento y el descubrimiento de fármacos. En la educación,
los sistemas de aprendizaje inteligente pueden personalizar y mejorar la
experiencia de aprendizaje al proporcionar contenido y comentarios
personalizados a los estudiantes. En el sector financiero, estos sistemas pueden
ayudar con la detección de fraudes, la evaluación de riesgos y las
recomendaciones de inversión. Los usos potenciales de los sistemas de
aprendizaje inteligente son amplios y continúan expandiéndose a medida que
avanza la tecnología.
Además, los sistemas de aprendizaje inteligente poseen la capacidad de
aprender y evolucionar continuamente en función de sus experiencias. Mediante
el uso de algoritmos de aprendizaje automático, estos sistemas pueden identificar
patrones, correlaciones y tendencias dentro de los datos que han recopilado. Esto
les permite hacer predicciones precisas, reconocer anomalías y adaptar su
comportamiento en consecuencia. A medida que estos sistemas continúan
aprendiendo de nuevos datos y comentarios, su rendimiento mejora, haciéndolos
más eficientes y competentes en sus tareas. Los sistemas de aprendizaje
inteligente se refieren a soluciones tecnológicas avanzadas que tienen la capacidad
59
de aprender y adquirir conocimientos de forma autónoma, sin programación
explícita.
Estos sistemas están diseñados para imitar la inteligencia humana y las
habilidades cognitivas, lo que les permite comprender, procesar y analizar
información compleja de manera similar a los humanos. Al aprovechar los
algoritmos de aprendizaje automático y las técnicas de inteligencia artificial, los
sistemas de aprendizaje inteligente pueden adaptarse y mejorar su rendimiento
con el tiempo, lo que los convierte en herramientas altamente efectivas para
diversas aplicaciones. En conclusión, los sistemas de aprendizaje inteligente son
soluciones tecnológicas de vanguardia que tienen la capacidad de aprender y
adquirir conocimientos de forma autónoma. Con sus algoritmos avanzados y
técnicas de inteligencia artificial, estos sistemas pueden recopilar, analizar e
interpretar datos de varias fuentes, aprender y evolucionar continuamente, y tomar
decisiones y predicciones informadas.
Un aspecto clave de los sistemas de aprendizaje inteligente es su capacidad
para recopilar e interpretar datos de varias fuentes. Estos sistemas están equipados
con sensores, herramientas de recopilación de datos y algoritmos sofisticados que
les permiten recopilar y analizar grandes cantidades de información de diversas
fuentes, como documentos de texto, imágenes, videos e incluso datos en tiempo
real de sensores y dispositivos IoT. Luego, estos datos se procesan y transforman
en información significativa, lo que permite que el sistema tome decisiones y
predicciones informadas. Sin embargo, como con cualquier tecnología avanzada,
existen desafíos y consideraciones asociadas con el desarrollo y la
implementación de sistemas de aprendizaje inteligentes. Las preocupaciones
éticas y de privacidad surgen cuando se manejan grandes cantidades de datos
personales, y es crucial garantizar la transparencia y la equidad de los procesos de
toma de decisiones de estos sistemas. Conjuntamente, existe la necesidad de
investigación y desarrollo continuos para mejorar la interpretabilidad, la
explicabilidad y la rendición de cuentas de los sistemas de aprendizaje
inteligentes.
Estos sistemas avanzados utilizan el poder de la inteligencia artificial para
ofrecer a los estudiantes con requisitos educativos especiales una
retroalimentación altamente personalizada e individualizada que se adapta a sus
necesidades de aprendizaje únicas. Un ejemplo notable es su capacidad para
ofrecer explicaciones complementarias y proporcionar instancias específicas para
ayudar a los estudiantes a comprender conceptos complejos de manera más
efectiva. Al mismo tiempo, cuando se trata de convertir palabras habladas en texto
60
escrito, entran en juego numerosas herramientas de IA como Google Speech-to-
Text, Amazon Transcribe y Microsoft Azure Speech Services.
El sistema de reconocimiento de voz dependiente del hablante e
independiente requieren que los usuarios entrenen el sistema para que reconozca
sus patrones de voz específicos y características del habla. Esto implica
pronunciar palabras o frases específicas en el sistema varias veces para crear un
modelo de voz personalizado. Los sistemas independientes de los altavoces, por
otro lado, no requieren ningún entrenamiento y pueden reconocer la voz de
cualquier usuario desde el primer momento. Los sistemas de reconocimiento de
voz tienen una amplia gama de aplicaciones en diversas industrias. En el sector
sanitario, se pueden utilizar para transcribir dictados médicos o ayudar en tareas
de documentación, lo que permite a los profesionales sanitarios centrarse más en
la atención al paciente.
En la industria automotriz, los sistemas de reconocimiento de voz se
pueden integrar en los vehículos para controlar varias funciones, como hacer
llamadas telefónicas, cambiar la música o ajustar la configuración del clima,
brindando una experiencia de conducción más segura y conveniente. Uno de los
componentes principales de un sistema de reconocimiento de voz es el software
de reconocimiento de voz. Este software utiliza algoritmos y modelos para
analizar y procesar las señales de audio entrantes. Descompone el discurso en
unidades más pequeñas, como fonemas o palabras, y las compara con una base de
datos de palabras o patrones conocidos. Al hacer coincidir la entrada con la base
de datos, el sistema puede determinar las palabras o los comandos más probables
que se pronuncian.
Un sistema de reconocimiento de voz Está diseñado para permitir que los
usuarios interactúen con dispositivos, como teléfonos inteligentes o
computadoras, sin necesidad de una entrada manual. Esta tecnología ha logrado
avances significativos en los últimos años, lo que permite capacidades de
reconocimiento de voz más precisas y eficientes. A pesar de los avances en la
tecnología de reconocimiento de voz, aún existen algunos desafíos y limitaciones
que deben abordarse. Los acentos, el ruido de fondo y los trastornos del habla
pueden afectar la precisión de los sistemas de reconocimiento de voz. Además,
surgen problemas de privacidad a medida que se recopilan y almacenan datos de
voz, lo que genera dudas sobre la seguridad de los datos y el posible uso indebido.
En general, los sistemas de reconocimiento de voz han revolucionado la
forma en que interactuamos con la tecnología. Con su capacidad para comprender
e interpretar el lenguaje hablado, han mejorado la eficiencia, la comodidad y la
accesibilidad en diversas industrias. A pesar de que, se necesitan más avances y
61
mejoras para superar los desafíos y garantizar la precisión y privacidad de estos
sistemas. Este sistema de tecnología en particular sirve como una herramienta
valiosa para los estudiantes que tienen requisitos educativos visuales, ya que les
permite interactuar con la tecnología únicamente a través de su voz, pueden
utilizar software de reconocimiento de voz para proporcionar respuestas verbales
a consultas o realizar búsquedas en línea.
Una de las principales ventajas de los sistemas de aprendizaje adaptativo
es su capacidad para proporcionar contenido e instrucción personalizados para
satisfacer las necesidades específicas de cada estudiante. En lugar de seguir un
enfoque único para todos, estos sistemas pueden ajustar el nivel de dificultad, el
ritmo y el estilo de instrucción para que coincidan con los requisitos únicos de
cada alumno. Esto no solo mejora la eficacia del proceso de aprendizaje, sino que
también aumenta el compromiso y la motivación de los estudiantes. Otra ventaja
significativa de los sistemas de aprendizaje adaptativo es su capacidad para
proporcionar retroalimentación inmediata y específica a los estudiantes. A través
de evaluaciones continuas y monitoreo en tiempo real, estos sistemas pueden
identificar conceptos erróneos, errores y áreas de dificultad para los estudiantes.
Luego pueden proporcionar comentarios instantáneos, explicaciones
correctivas y recursos adicionales para ayudar a los estudiantes a superar sus
desafíos y profundizar su comprensión del tema. También de beneficiar a los
estudiantes, los sistemas de aprendizaje adaptativo también brindan ventajas a los
maestros y educadores. Estos sistemas generan informes y análisis detallados
sobre el progreso, el rendimiento y las áreas de mejora de los estudiantes. Esta
información puede ser utilizada por los maestros para realizar un seguimiento del
progreso individual y de toda la clase, identificar áreas que requieren apoyo
adicional y tomar decisiones de instrucción basadas en datos. Al aprovechar estos
conocimientos, los maestros pueden adaptar mejor sus estrategias de enseñanza
para satisfacer las diversas necesidades de sus alumnos.
Los sistemas de aprendizaje adaptativo también ofrecen oportunidades
para que los estudiantes aprendan a su propio ritmo. Los estudiantes pueden
avanzar a través del material a una velocidad que les resulte cómoda, lo que les
permite dedicar más tiempo a temas desafiantes mientras avanzan rápidamente a
través de conceptos que ya dominan. Esta flexibilidad promueve un sentido de
autonomía y empodera a los estudiantes para que se apropien de su viaje de
aprendizaje. Los Sistemas de Aprendizaje Adaptativo se refieren a tecnologías
educativas que están diseñadas para adaptarse a las necesidades individuales y
estilos de aprendizaje de los estudiantes. Estos sistemas utilizan algoritmos
avanzados y análisis de datos para recopilar información sobre las fortalezas,
62
debilidades y preferencias de cada estudiante, lo que permite una instrucción y
experiencias de aprendizaje personalizadas.
Los sistemas de aprendizaje adaptativo emplean varias técnicas para
recopilar datos sobre los estudiantes, incluidas evaluaciones, cuestionarios y
monitoreo de sus interacciones con los materiales de aprendizaje. Luego, estos
datos se analizan para identificar patrones, tendencias y áreas de mejora. Con base
en este análisis, el sistema puede tomar decisiones informadas sobre las
estrategias y el contenido de instrucción más apropiados para entregar a cada
estudiante individual. Estos sistemas emplean algoritmos de inteligencia artificial
para personalizar el material educativo de acuerdo con los requisitos y
capacidades únicos de cada estudiante. Para ilustrar, un estudiante que requiere
asistencia adicional en ciertas materias puede recibir ejercicios y actividades
específicas para mejorar su competencia en esas áreas. Los sistemas de
aprendizaje adaptativo aprovechan el poder de la inteligencia artificial y los
algoritmos de aprendizaje automático para personalizar el contenido educativo
para que coincida con el nivel de conocimiento y habilidad individual de cada
alumno. Ejemplos destacados de estas herramientas innovadoras incluyen
Knewton, Dreambox y Smart Sparrow.
Un tipo de sistema de lectura asistida es el uso de plataformas digitales o
software. Estos programas suelen incluir funciones como la función de conversión
de texto a voz, que lee el texto en voz alta al usuario. Esto puede ser
especialmente útil para las personas con discapacidades visuales o aquellas que
tienen dificultades para descifrar palabras escritas, algunos programas pueden
ofrecer funciones interactivas como resaltar o tomar notas, lo que permite a los
usuarios interactuar con el texto de una manera más inmersiva. Los sistemas de
lectura asistida también pueden implicar el uso de profesionales o tutores
capacitados. Estas personas pueden brindar orientación y apoyo personalizados
para ayudar a las personas a desarrollar sus habilidades de lectura. Pueden usar
varias estrategias, como instrucción fonética, reconocimiento de palabras a la
vista o estrategias de comprensión, para abordar necesidades y desafíos
específicos. Los sistemas de lectura asistida se refieren a herramientas o ayudas
que ayudan a las personas a mejorar sus habilidades de lectura y comprensión.
Estos sistemas están diseñados para brindar apoyo y orientación,
especialmente para aquellos que pueden tener dificultades con la lectura debido a
problemas de aprendizaje, barreras del idioma u otros desafíos. Otra forma de
sistema de lectura asistida es el uso de materiales de lectura especializados. Estos
materiales pueden incluir textos simplificados o adaptados, que están diseñados
para ser más accesibles a los lectores con dificultades. Pueden presentar oraciones
63
más cortas, tamaños de fuente más grandes o más ayudas visuales para apoyar la
comprensión. Además, algunos materiales pueden incorporar grabaciones de
audio o preguntas guiadas para mejorar aún más la comprensión. En general, los
sistemas de lectura asistida juegan un papel crucial en la promoción de la
alfabetización y ayudan a las personas a superar las barreras a la lectura. Al
brindar apoyo y recursos personalizados, estos sistemas capacitan a las personas
para mejorar sus habilidades de lectura, generar confianza y, en última instancia,
tener éxito en sus actividades académicas y personales.
Estos sistemas utilizan tecnología avanzada de síntesis de voz para
transformar el texto escrito en formato de audio, brindando una ayuda invaluable
a los estudiantes que tienen necesidades educativas específicas relacionadas con
impedimentos visuales o dificultades con la lectura. Para ilustrar, un estudiante
que lucha contra la dislexia puede emplear un software especializado que facilite
la lectura permitiéndole simplemente escuchar los textos que se leen en voz alta.
La utilización de tecnología de síntesis de voz en estos sistemas implica la
integración de modelos de reconocimiento de texto y síntesis de voz. Varias
herramientas de IA como Amazon Polly, Google Cloud Text-to-Speech y
Microsoft Azure Text-to-Speech se emplean comúnmente para lograr este
objetivo.
La interacción humano-computadora permiten interacciones más naturales
e intuitivas entre humanos y máquinas, lo que permite interfaces personalizadas y
adaptables. Por ejemplo, un sistema de reconocimiento de expresiones faciales
podría detectar signos de frustración o confusión en un usuario y ajustar la
interfaz o brindar asistencia adicional en consecuencia. Esto puede mejorar la
experiencia del usuario y la eficiencia en varios dominios, como la realidad
virtual, los juegos y las tecnologías de asistencia. Uno de los principales desafíos
en el desarrollo de sistemas de reconocimiento de expresiones faciales radica en la
variabilidad y complejidad de las expresiones faciales humanas.
Cada individuo tiene características y expresiones faciales únicas, lo que
dificulta la creación de un modelo único para todos. Además, las expresiones
faciales pueden variar según las diferencias culturales, las preferencias personales
e incluso la interpretación individual. Para superar estos desafíos, los
investigadores e ingenieros han empleado varias técnicas, como algoritmos de
aprendizaje profundo, extracción de características y detección de puntos de
referencia faciales, para mejorar la precisión y la solidez de los sistemas de
reconocimiento de expresiones faciales. Los sistemas de reconocimiento de
expresiones faciales se refieren a herramientas tecnológicas que están diseñadas
64
para identificar e interpretar con precisión diversas expresiones faciales que
muestran las personas.
Estos sistemas utilizan algoritmos avanzados de visión por computadora y
técnicas de aprendizaje automático para analizar las características faciales, como
la posición de las cejas, la boca y los ojos, para determinar las emociones o
expresiones exhibidas por una persona. Al aprovechar el poder de la inteligencia
artificial, estos sistemas tienen el potencial de mejorar en gran medida nuestra
comprensión de las emociones humanas, mejorar la comunicación entre humanos
y máquinas, y encontrar aplicaciones en una amplia gama de campos, incluida la
psicología, el marketing y la interacción humano-computadora. Con la capacidad
de detectar y reconocer una multitud de expresiones faciales, como felicidad,
tristeza, ira, sorpresa y disgusto, estos sistemas se han vuelto cada vez más
sofisticados y precisos con el tiempo.
Las aplicaciones de los sistemas de reconocimiento de expresiones faciales
son amplias y diversas. En el campo de la psicología, estos sistemas se pueden
utilizar para estudiar y analizar las emociones humanas en tiempo real,
proporcionando información valiosa sobre los estados emocionales y los
comportamientos. Esto puede ser particularmente útil para diagnosticar y tratar
afecciones de salud mental, como la depresión y la ansiedad. Los sistemas de
reconocimiento de expresiones faciales también tienen aplicaciones potenciales en
marketing y publicidad, ya que pueden ayudar a las empresas a medir las
reacciones de los clientes a los productos, anuncios y experiencias de marca. Al
comprender las respuestas emocionales de los consumidores, las empresas pueden
adaptar sus estrategias de marketing para interactuar y conectarse de manera
efectiva con su público objetivo.
Estos sistemas pueden ser beneficiosos para los estudiantes que tienen
necesidades educativas sociales o de comunicación, ya que ayudan a mejorar sus
habilidades en estas áreas específicas. Tomemos, por ejemplo, un estudiante
diagnosticado con trastorno del espectro autista; pueden utilizar un sistema de
reconocimiento de expresiones faciales para desarrollar la capacidad de identificar
y comprender las emociones que muestran los demás. Estos sistemas se basan en
modelos de visión por computadora y redes neuronales para examinar e
interpretar los movimientos y gestos faciales, clasificándolos en varios estados
emocionales. Algunos ejemplos de herramientas de IA empleadas para este
propósito incluyen Affectiva, Emotient y Microsoft Cognitive Services.
Los sistemas de lectura asistida también pueden incorporar elementos
interactivos para involucrar aún más a los lectores y mejorar su comprensión. Esto
puede incluir cuestionarios interactivos o comprobaciones de comprensión,
65
soporte de audio para pronunciación o reconocimiento de palabras, o elementos
multimedia como videos o imágenes que complementan el texto y brindan
contexto adicional. Además de sus beneficios inmediatos para los lectores
individuales, los sistemas de lectura asistida también ofrecen información y
conocimientos valiosos para educadores e investigadores. Al recopilar y analizar
datos sobre el rendimiento, el progreso y los patrones de lectura, estos sistemas
pueden informar estrategias de instrucción, identificar áreas para intervención
específica y contribuir al desarrollo de prácticas basadas en evidencia para la
instrucción de lectura.
Estos se refieren a herramientas o programas basados en tecnología
diseñados para apoyar y mejorar la experiencia de lectura de las personas. Estos
sistemas tienen como objetivo brindar asistencia a los lectores, en particular a
aquellos que pueden enfrentar desafíos o dificultades con la lectura, al ofrecer
varias características y funcionalidades que pueden ayudar en la comprensión, la
fluidez y la competencia lectora en general. Otra característica importante de los
sistemas de lectura asistida es su adaptabilidad y opciones de personalización.
Estos sistemas se pueden adaptar para satisfacer las necesidades y preferencias
específicas de los lectores individuales. Por ejemplo, pueden ajustar el nivel de
lectura o la dificultad según la competencia del lector, personalizar el contenido
según los intereses del lector o proporcionar configuraciones personalizables para
el tamaño de fuente, el color de fondo o la velocidad de lectura.
Un aspecto clave de los sistemas de lectura asistida es su capacidad para
brindar retroalimentación y orientación en tiempo real a los lectores. Mediante el
uso de inteligencia artificial y procesamiento de lenguaje natural, estos sistemas
pueden analizar y evaluar el desempeño de un lector, identificar áreas de mejora y
ofrecer sugerencias o intervenciones personalizadas. Por ejemplo, pueden resaltar
palabras o frases difíciles, proporcionar definiciones o sinónimos u ofrecer
explicaciones de conceptos complejos. En general, los sistemas de lectura asistida
tienen el potencial de revolucionar la forma en que abordamos la lectura y el
aprendizaje. Al aprovechar el poder de la tecnología y la inteligencia artificial,
estos sistemas pueden brindar apoyo personalizado, mejorar la comprensión y la
fluidez, fomentar el compromiso y la colaboración, y contribuir al avance de la
enseñanza de la lectura.
Además, los sistemas de lectura asistida pueden facilitar la colaboración y
la interacción social entre los lectores. Pueden permitir a los lectores compartir
anotaciones, comentarios o preguntas con otras personas que estén leyendo el
mismo texto. Esto no solo fomenta un sentido de comunidad y compromiso, sino
que también promueve el aprendizaje activo y el pensamiento crítico. Los
66
sistemas de realidad virtual ofrecen a los estudiantes con movilidad limitada o
discapacidades físicas la oportunidad de participar en experiencias de aprendizaje
prácticas. Por ejemplo, las personas confinadas a una silla de ruedas pueden
utilizar estos sistemas para sumergirse en entornos virtuales a los que tal vez no
tengan acceso en la realidad. Al hacerlo, pueden explorar y descubrir lugares que
de otro modo estarían fuera de su alcance.
Aprender análisis de datos también implica adquirir conocimientos de
varios lenguajes de programación y software estadístico. El dominio de lenguajes
como Python, R y SQL, así como software como Excel y Tableau, puede mejorar
en gran medida la capacidad de manipular y analizar datos de manera eficiente.
Además, el análisis de datos también implica la capacidad de comunicar y
presentar hallazgos de manera efectiva a las partes interesadas. Esto incluye la
creación de visualizaciones e informes convincentes que transmitan claramente
los conocimientos derivados del proceso de análisis de datos. En conclusión, el
aprendizaje del análisis de datos es un proceso continuo que implica la
adquisición de un conjunto diverso de habilidades, desde la competencia técnica
en varios lenguajes de programación y software estadístico hasta el pensamiento
crítico y la capacidad de resolución de problemas. Permite a las personas
desbloquear información valiosa de los datos y tomar decisiones basadas en datos
que pueden conducir a avances significativos en varios campos. El análisis de
datos abarca una amplia gama de métodos y enfoques, incluidos el análisis
estadístico, la visualización de datos y la extracción de datos.
Al estudiar el análisis de datos, las personas pueden desarrollar la
capacidad de identificar patrones, tendencias y correlaciones dentro de los
conjuntos de datos, lo que en última instancia conduce a la toma de decisiones
informadas y la resolución de problemas. Aparte de de las habilidades técnicas, el
aprendizaje del análisis de datos también requiere el desarrollo de habilidades de
pensamiento crítico y resolución de problemas. Analizar datos implica hacer las
preguntas correctas, identificar las variables más relevantes y formular hipótesis
para probar. También requiere la capacidad de pensar críticamente y hacer
conexiones lógicas entre diferentes puntos de datos. Uno de los aspectos
fundamentales del aprendizaje del análisis de datos es comprender la importancia
de la calidad y la integridad de los datos.
Es crucial asegurarse de que los datos que se analizan sean precisos,
completos y confiables. Esto implica limpiar y preprocesar los datos, lo que
incluye eliminar inconsistencias, errores y valores atípicos que podrían sesgar los
resultados. Adquirir conocimientos en el análisis de datos es una habilidad
esencial que se está volviendo cada vez más valiosa en la era digital actual. El
67
proceso de aprender a analizar datos de manera efectiva implica adquirir un
conjunto de técnicas y herramientas que permitan a las personas procesar,
interpretar y extraer información significativa de varios conjuntos de datos. A
medida que los datos continúan desempeñando un papel vital en diversas
industrias y sectores, la demanda de personas capacitadas en el análisis de datos
aumenta constantemente.
El análisis de datos de aprendizaje equipa a las personas con las
herramientas y técnicas necesarias para sobresalir en carreras como científico de
datos, analista de negocios, investigador de mercado y muchos otros. Otro aspecto
crucial del aprendizaje del análisis de datos es desarrollar una sólida comprensión
de los conceptos y técnicas estadísticas. Esto implica aprender sobre diferentes
tipos de variables, distribuciones de probabilidad, pruebas de hipótesis, análisis de
regresión y otros métodos estadísticos que se pueden aplicar para analizar
conjuntos de datos. Los sistemas de inteligencia artificial tienen la capacidad de
examinar y escudriñar los datos educativos de los estudiantes que requieren
asistencia especial en su proceso de aprendizaje. Al hacerlo, estos sistemas de IA
pueden identificar ciertos patrones de comportamiento y rendimiento que podrían
significar dificultades de aprendizaje.
Como resultado, los educadores pueden tomar medidas oportunas e
intervenir en una etapa temprana, asegurando así que se brinde el apoyo y la
orientación adicionales necesarios a estos estudiantes. Estas herramientas utilizan
el poder de la inteligencia artificial para examinar datos educativos y ofrecer
información valiosa sobre el avance de los estudiantes y los aspectos específicos
en los que deben trabajar para mejorar. Hay una variedad de herramientas
disponibles que utilizan tecnologías avanzadas para mejorar la experiencia de
aprendizaje de los estudiantes. Una de esas herramientas es Edmentum Sensei,
que incorpora inteligencia artificial para analizar datos relacionados con el
progreso de aprendizaje de un estudiante y luego brinda retroalimentación
personalizada en consecuencia. Otra herramienta llamada Knewton Alta hace uso
del aprendizaje automático para adaptar el material de aprendizaje para que
coincida con el nivel de habilidad individual de cada estudiante.
Existen numerosas plataformas de aprendizaje en línea disponibles para las
personas que buscan ampliar sus conocimientos y habilidades. Estas plataformas
ofrecen una amplia gama de recursos educativos y cursos a los que se puede
acceder desde la comodidad del hogar. Estas plataformas de aprendizaje en línea
se han vuelto cada vez más populares en los últimos años, ya que brindan
opciones convenientes y flexibles para las personas que pueden no tener el tiempo
o la capacidad para asistir a clases presenciales tradicionales, estas plataformas a
68
menudo ofrecen una variedad de materias y temas, lo que permite a los alumnos
explorar sus intereses y perseguir sus objetivos de desarrollo personal y
profesional. Asimismo, las plataformas de aprendizaje en línea a menudo utilizan
métodos de enseñanza interactivos y atractivos, como videos, cuestionarios y
ejercicios interactivos, para mejorar la experiencia de aprendizaje.
Esto no solo ayuda a mantener a los alumnos motivados y comprometidos,
sino que también permite experiencias de aprendizaje personalizadas adaptadas a
las necesidades y el estilo de aprendizaje únicos de cada individuo, muchas
plataformas de aprendizaje en línea ofrecen opciones de certificación y
acreditación, lo que permite a los estudiantes mostrar sus conocimientos y
habilidades recién adquiridos a posibles empleadores o instituciones educativas.
Esto puede ser particularmente beneficioso para las personas que buscan mejorar
sus perspectivas de carrera o continuar su educación. En conclusión, las
plataformas de aprendizaje en línea han revolucionado la forma en que las
personas pueden acceder y adquirir conocimientos y habilidades. Con su
comodidad, flexibilidad y amplia gama de recursos educativos, estas plataformas
se han convertido en una herramienta valiosa para el aprendizaje permanente y el
desarrollo personal.
El aprendizaje en línea utiliza IA para personalizar el contenido y la
entrega de materiales de acuerdo con los requisitos únicos de cada estudiante, lo
que lo hace especialmente beneficioso para aquellos con necesidades educativas
especiales (SEN) que pueden requerir enfoques de enseñanza y recursos de
aprendizaje personalizados. Estas plataformas brindan cursos y herramientas en
línea que se pueden adaptar y ajustar para atender específicamente a los
estudiantes con necesidades educativas especiales. Por ejemplo, Coursera for
Refugees ofrece cursos en línea gratuitos acompañados de herramientas de
aprendizaje adaptativo, mientras que Udacity for Accessibility se enfoca en
brindar cursos en línea sobre tecnología y habilidades de programación diseñados
específicamente para personas con discapacidades visuales y auditivas.
Otro aspecto importante de los sistemas de realidad virtual es el software o
el contenido que se utiliza para crear el entorno virtual. Esto puede variar desde
juegos y simulaciones simples hasta experiencias más complejas e inmersivas. El
contenido de realidad virtual se puede crear utilizando varios lenguajes de
programación y herramientas y a menudo requiere conocimientos y habilidades
especializados para desarrollarse. Los sistemas de realidad virtual son una forma
de tecnología que permite a los usuarios experimentar un entorno simulado o
virtual. Estos sistemas generalmente consisten en un auricular o gafas que usa el
usuario, que muestra una representación visual del mundo virtual, la inmersión
69
visual, los sistemas de realidad virtual suelen incluir otras características
sensoriales, como el sonido y el tacto, para mejorar aún más la experiencia del
usuario.
A pesar de sus beneficios y aplicaciones potenciales, los sistemas de
realidad virtual también presentan ciertos desafíos y limitaciones. Uno de los
principales obstáculos es el costo asociado con la tecnología. Los sistemas de
realidad virtual pueden ser costosos de comprar y mantener, lo que los hace
inaccesibles para algunas personas u organizaciones. Además, algunos usuarios
pueden experimentar molestias o mareos cuando utilizan los sistemas de realidad
virtual, lo que puede limitar su disfrute y usabilidad. Los sistemas de realidad
virtual también suelen incluir componentes de hardware adicionales, como
controladores de movimiento o sensores. Estos dispositivos permiten a los
usuarios interactuar con el entorno virtual, permitiéndoles moverse, manipular
objetos o realizar acciones dentro del mundo virtual.
Los controladores de movimiento pueden variar en diseño y funcionalidad,
con algunos sistemas que ofrecen controladores de mano con botones y gatillos,
mientras que otros utilizan sistemas de seguimiento de cuerpo completo que
capturan los movimientos del usuario en tiempo real. Uno de los componentes
clave de los sistemas de realidad virtual son los auriculares o gafas. Estos
dispositivos están diseñados para cubrir completamente el campo de visión del
usuario, bloqueando el mundo real y creando una sensación de presencia en el
entorno virtual. Suelen estar equipados con pantallas de alta resolución que
brindan una experiencia visual detallada y realista. Algunos sistemas avanzados
de realidad virtual incluso ofrecen tecnología de seguimiento ocular, lo que
permite a los usuarios interactuar con el mundo virtual simplemente mirando
objetos o áreas de interés.
Las aplicaciones de los sistemas de realidad virtual son amplias y diversas.
Se usan comúnmente en juegos y entretenimiento, brindando a los usuarios
experiencias inmersivas e interactivas que van más allá de las formas tradicionales
de medios. La realidad virtual puede transportar a los jugadores a mundos
virtuales, permitiéndoles explorar e interactuar con entornos y personajes únicos.
Los sistemas de realidad virtual también se utilizan en varios campos
profesionales, como la atención médica, la arquitectura y la ingeniería, donde se
pueden usar con fines de capacitación, simulación y visualización. Para producir
entornos virtuales interactivos, los profesionales que utilizan modelos
tridimensionales (3D) emplean una variedad de herramientas de inteligencia
artificial como Unity, Unreal Engine y Vuforia.
70
Las herramientas de comunicación de inteligencia artificial también
pueden servir como un recurso valioso en el desarrollo de ayudas de
comunicación para estudiantes que luchan con dificultades del habla o del
lenguaje. Un ejemplo ilustrativo sería la utilización de sistemas de reconocimiento
de voz, que permiten a los estudiantes expresarse verbalmente de manera efectiva
y entablar conversaciones significativas con sus compañeros de clase y
educadores. Estas herramientas proporcionan recursos valiosos para mejorar la
comunicación entre los estudiantes con necesidades educativas especiales (NEE),
sus tutores y profesores. Un par de ejemplos de tales herramientas incluyen
Microsoft Teams, que facilita la comunicación a través de chat y
videoconferencia, lo que permite a los estudiantes y profesores interactuar sin
problemas. Además, está Slack, una herramienta que promueve la comunicación
en tiempo real y fomenta la colaboración grupal, lo que en última instancia
conduce a mejores habilidades de comunicación y trabajo en equipo efectivo entre
estudiantes y educadores.
Los sistemas de aprendizaje automático son un tipo de tecnología de
inteligencia artificial que permite el aprendizaje sin ser programados
explícitamente. Estos sistemas utilizan algoritmos y modelos estadísticos para
analizar e interpretar grandes cantidades de datos con el fin de hacer predicciones
o tomar medidas. Están diseñados para detectar automáticamente patrones,
reconocer tendencias y adaptar su comportamiento en función de la información
que han aprendido. Los sistemas de aprendizaje automático se han aplicado con
éxito en varios campos, incluidas las finanzas, la atención médica, el transporte y
el marketing. Tienen el potencial de revolucionar las industrias al proporcionar
soluciones eficientes y efectivas a problemas complejos.
Es importante tener en cuenta que los sistemas de aprendizaje automático
no son infalibles y aún pueden cometer errores o decisiones sesgadas si no se
capacitan o supervisan adecuadamente. Por lo tanto, la investigación y el
desarrollo continuos en este campo son esenciales para garantizar la confiabilidad
y equidad de estos sistemas. En general, los sistemas de aprendizaje automático
ofrecen inmensas oportunidades para el avance y la innovación, y su progreso
continuo es una gran promesa para el futuro. Los sistemas de aprendizaje
automático tienen la capacidad de observar y reconocer los patrones de
comportamiento exhibidos por los estudiantes con necesidades especiales, lo que
conduce a una comprensión más profunda de sus requisitos por parte de los
educadores, lo que en última instancia permite un ajuste personalizado del plan de
estudios y las estrategias de instrucción.
71
Estos sistemas inteligentes emplean algoritmos intrincados para examinar
y evaluar el comportamiento de los estudiantes y los patrones de rendimiento, lo
que proporciona información valiosa para la mejora educativa. En conclusión, la
utilización de la inteligencia artificial tiene una importancia inmensa en el ámbito
de la educación, particularmente para atender los requisitos únicos de los
estudiantes con necesidades educativas especiales. Al adoptar esta tecnología
avanzada, estas personas tienen la oportunidad de acceder a un nivel superior de
educación que se adapta específicamente a sus necesidades individuales, la
integración de la inteligencia artificial en el panorama educativo brinda a los
docentes herramientas y recursos invaluables que pueden ser de gran ayuda para
abordar los requisitos específicos de estos estudiantes, fomentando así su
integración perfecta en las esferas educativa, social y profesional.
3.2 Educación en el Futuro
En los últimos años, ha habido un progreso notable en el campo de la
inteligencia artificial (IA), que ahora está revolucionando no solo el mundo en
general sino también el ámbito de la educación universitaria. Se pronostica que
esta tendencia persistirá y se expandirá en el futuro, generando una mayor
eficiencia y eficacia en el proceso educativo. Sin duda, la inteligencia artificial
está reconfigurando la forma en que los alumnos adquieren conocimientos y los
docentes los imparten, introduciendo así nuevas vías de personalización y
adaptación en el ámbito educativo. A medida que la tecnología avanza y se
entrelaza más con la sociedad, el papel de los docentes universitarios se vuelve
cada vez más crucial en la preparación de los estudiantes para la futura fuerza
laboral y los desafíos que se avecinan.
La inteligencia artificial tiene el potencial de ayudar a las universidades a
crear programas y cursos educativos innovadores que satisfagan las necesidades y
demandas específicas de los estudiantes y el mercado laboral en constante
evolución. La IA también puede contribuir a mejorar la accesibilidad y la
inclusión de la educación al proporcionar herramientas y recursos especializados
para estudiantes con requisitos educativos especiales. Al adoptar la IA, las
universidades pueden revolucionar la forma en que se imparte la educación,
asegurando que cada estudiante reciba una experiencia de aprendizaje integral y
personalizada. Como resultado, la IA juega un papel crucial en la expansión del
alcance de la educación al aprovechar las plataformas en línea y una amplia gama
de herramientas educativas digitales. Esta innovadora tecnología permite a los
estudiantes de todos los rincones del mundo acceder cómodamente a los recursos
educativos, independientemente de su ubicación geográfica. En consecuencia, la
IA sirve como catalizador para brindar educación a una población más grande, lo
72
que empodera a las personas con mayores oportunidades de crecimiento personal
y profesional.
En el panorama tecnológico actual, la inteligencia artificial se erige como
un pilar crucial para el futuro, particularmente a la luz del surgimiento de la
realidad aumentada, la realidad virtual y la computación en la nube. En
consecuencia, las múltiples ventajas de esta progresión son indiscutiblemente
optimistas, ya que abarcan la agilización de los procesos de trabajo y la
facilitación de las actividades y la comunicación mediante la utilización de
diversos dispositivos como teléfonos móviles o tabletas, la integración de la
inteligencia artificial en varias plataformas y recursos ha acelerado aún más la
simplificación de tareas rutinarias y monótonas. Como resultado, se puede
argumentar que la integración de la IA tiene el potencial de transformar por
completo los sistemas educativos existentes, allanando el camino para la provisión
de oportunidades de capacitación excepcionales que mantengan altos estándares.
En el mundo actual que avanza rápidamente, es crucial reconocer la
importancia de equipar a los estudiantes con las habilidades necesarias para
prosperar en un futuro donde la tecnología jugará un papel cada vez más
importante. Esto implica encontrar un delicado equilibrio entre la integración de
la inteligencia artificial (IA) en las prácticas educativas y el fomento de una
educación integral centrada en las habilidades sociales, emocionales y de
pensamiento crítico. Además, es fundamental educar a los estudiantes en el uso
responsable y ético de la tecnología. Cuando se aprovecha de manera efectiva, la
IA promete revolucionar la educación al mejorar la accesibilidad para todas las
personas, independientemente de sus antecedentes o circunstancias.
Sin embargo, un número significativo de educadores sigue sin conocer los
beneficios potenciales de incorporar estas tecnologías en el aula para mejorar la
experiencia general de aprendizaje de los estudiantes. De hecho, algunos
educadores muestran una fuerte resistencia a la integración de estas tecnologías en
los procesos educativos, ya que prefieren apegarse a los métodos de enseñanza
tradicionales a los que ellos mismos estaban acostumbrados durante su propia
educación. Desafortunadamente, estos educadores no reconocen la naturaleza en
constante evolución del mundo en el que vivimos, lo que requiere un impulso
constante de innovación y creatividad para mantenerse al día con los tiempos
cambiantes.
Para que el docente desarrolle de manera efectiva el contenido de las
unidades curriculares y asegure que sean significativas para los estudiantes, es
fundamental que trabaje de manera cercana y colaborativa con el profesor
universitario. Esta asociación le permite al profesor mantenerse al día y conocer
73
los últimos avances y tendencias en el campo de la inteligencia artificial (IA).
Para lograr esto, es posible que el profesor deba participar en cursos que cubran
varios aspectos de la IA, como programación, algoritmos, análisis de datos y
aprendizaje automático, entre otros temas relevantes. Al participar activamente en
estas oportunidades educativas, el profesor puede mejorar su comprensión y
experiencia en IA, lo que le permite brindar conocimientos valiosos y
actualizados a sus estudiantes.
Por consiguiente los educadores deben garantizar que los estudiantes
adquieran las habilidades necesarias para utilizar de manera efectiva diversas
herramientas y tecnologías asociadas con el tema. Al hacerlo, pueden incorporar
de manera efectiva los principios y las aplicaciones de estos avances en sus
métodos de instrucción, equipando así a los estudiantes con el conocimiento y la
experiencia esenciales necesarios para futuras oportunidades de empleo. Del
mismo modo, es imperativo que los profesores universitarios posean una amplia
gama de habilidades tecnológicas para navegar de manera efectiva en el panorama
educativo en constante evolución. Estas habilidades abarcan no solo el dominio de
las herramientas digitales para diseñar e impartir sus lecciones, sino también la
competencia en el uso de inteligencia artificial y otras tecnologías de vanguardia
dentro de los límites del aula.
Como resultado, a la luz del surgimiento de la inteligencia artificial y los
avances tecnológicos en los entornos educativos, se ha vuelto imperativo que los
maestros posean no solo la capacidad de colaborar de manera efectiva con sus
compañeros educadores y profesionales de la educación, sino también una gran
aptitud para pensamiento crítico. Esta capacidad de pensamiento crítico es
necesaria para analizar y evaluar cuidadosamente la información y los datos que
se utilizan en la educación impulsada por la IA, así como para cuestionar y
desafiar los hallazgos y las decisiones tomadas por los algoritmos, los factores
antes mencionados, es crucial reconocer la importancia de las habilidades
investigadoras que poseen los docentes, que les permiten colaborar y cooperar de
manera efectiva con equipos de expertos, investigadores y profesionales
provenientes de diversos campos interdisciplinarios, transdisciplinarios y
colaborativos.
Esta colaboración implica la integración de la inteligencia artificial en las
prácticas educativas, con el objetivo de mejorar la calidad de la educación y
equipar adecuadamente a los estudiantes con las habilidades y conocimientos
necesarios para prosperar en el futuro. Es de suma importancia que las
universidades fomenten y alienten activamente la colaboración, así como el
intercambio de conocimientos entre diversas disciplinas, incluidas, entre otras, las
74
ciencias de la computación, las matemáticas, la psicología y la sociología. Al
enfatizar la importancia de la cooperación interdisciplinaria, las universidades
pueden crear un entorno académico enriquecido que fomente la innovación, la
resolución de problemas y la comprensión holística. Reconociendo el inmenso
potencial para la polinización cruzada de ideas y metodologías, las universidades
deben priorizar la integración de varios campos para desarrollar profesionales
completos que puedan abordar desafíos sociales complejos y contribuir a los
avances en múltiples esferas. Al fomentar la colaboración y el intercambio de
conocimientos, las universidades allanan el camino para la investigación
innovadora, los enfoques holísticos de resolución de problemas y el cultivo de
pensadores críticos que pueden navegar y sobresalir en un mundo interconectado.
Para tener éxito en sus esfuerzos de investigación, un investigador debe
poseer una sólida comprensión de las estadísticas y la programación, así como la
capacidad de procesar y analizar datos de manera efectiva. Al mismo tiempo,
deben tener un conocimiento profundo de las técnicas de aprendizaje automático y
la capacidad de interpretar y obtener información significativa de los resultados de
la investigación, conocer bien las consideraciones éticas y las normas de
privacidad es fundamental para garantizar prácticas de investigación responsables
y respetuosas. Por lo demás, tener fuertes habilidades de trabajo en equipo para
colaborar de manera efectiva con colegas y habilidades de adaptabilidad para
navegar a través de diferentes proyectos de investigación son rasgos muy valiosos
que debe poseer un investigador.
En esta corriente de pensamiento, la inteligencia artificial emerge como un
instrumento increíblemente potente capaz de mejorar la investigación educativa,
por lo que se requiere que los docentes posean la experiencia esencial para
aprovechar su poder de manera competente y optimizar su vasto potencial. Al
hacerlo, los educadores pueden ayudar de manera efectiva a los estudiantes a
cultivar una comprensión profunda de varios temas y fomentar su capacidad para
generar ideas y conocimientos novedosos. Al considerar a los estudiantes,
independientemente del campo específico que estén siguiendo, es muy ventajoso
para ellos cultivar activamente competencias adicionales que los equiparán para
navegar de manera efectiva la presencia omnipresente de la inteligencia artificial
en varios dominios relevantes para sus proyectos futuros.
Por lo tanto, se vuelve imperativo que los estudiantes posean una
comprensión integral de los algoritmos y las metodologías de aprendizaje
automático, que abarquen conceptos vitales como la regresión lineal, la
clasificación y las redes neuronales, es crucial que las personas posean la
capacidad de evaluar analíticamente la información y los datos utilizados en el
75
campo de la inteligencia artificial, al tiempo que cuestionan los resultados y las
elecciones algorítmicas realizadas. Del mismo modo, estas personas deben
mostrar su capacidad para trabajar de manera efectiva en equipo, expresar sus
pensamientos e ideas con claridad y cooperar activamente con otros en proyectos
que involucren IA. Sin duda, las instituciones educativas que adopten e
incorporen sin problemas la IA en su plan de estudios y procesos administrativos
podrán equipar a sus estudiantes con las habilidades y los conocimientos
necesarios para el futuro, permitiéndoles mantenerse al tanto de los avances
tecnológicos en constante evolución.
Como resultado, la integración de la inteligencia artificial en los entornos
educativos no significa automáticamente que los maestros serán reemplazados. Si
bien este avance tecnológico ofrece beneficios como la capacidad de automatizar
ciertas tareas, personalizar experiencias de aprendizaje y mejorar la eficiencia
general dentro de los procesos educativos, es importante reconocer que los
docentes continúan ocupando una posición indispensable en el campo de la
educación. Esto se debe a que los educadores juegan un papel vital en el fomento
de entornos de aprendizaje positivos, inculcando la motivación, identificando las
necesidades y habilidades individuales de los estudiantes e impartiendo valores,
por nombrar algunos aspectos críticos. Además, es crucial reconocer que la IA no
puede replicar el elemento humano de interacción, empatía, relaciones
interpersonales y el desarrollo de habilidades sociales, todos los cuales son
fundamentales para el proceso de aprendizaje y crecimiento personal.
La introducción de la IA en el aula no debe verse como una amenaza para
los docentes, sino como una oportunidad para mejorar la educación y permitirles
dedicar su tiempo a tareas más valiosas. Esto incluye realizar investigaciones,
producir artículos académicos, escribir libros que compartan sus experiencias en
el aula, participar en eventos científicos, asistir a conferencias, participar en
talleres y contribuir a foros educativos, entre otras actividades enriquecedoras.
Como resultado, los maestros pueden brindarles a los estudiantes una atención
más personalizada y servir como mentores a lo largo de su viaje educativo. Para
preparar adecuadamente a los estudiantes para la fuerza laboral moderna, es
imperativo que las instituciones universitarias incorporen una amplia gama de
cursos y materias. Estos deben incluir cursos de programación, análisis de datos,
consideraciones éticas, responsabilidades y la aplicación práctica de la
inteligencia artificial en todos los campos y disciplinas.
Además, es imperativo que las universidades promuevan y fomenten
activamente la participación de los estudiantes en proyectos prácticos de IA. Esto
incluye alentarlos a participar en la construcción de sistemas de aprendizaje
76
automático de vanguardia e integrar de manera efectiva los algoritmos de IA en
diversos escenarios de la vida real. Al brindarles a los estudiantes la oportunidad
de traducir su conocimiento teórico en resultados tangibles, las universidades
desempeñan un papel crucial para facilitar el desarrollo de las competencias
esenciales necesarias para diseñar soluciones innovadoras de IA. En el mundo
vertiginoso de hoy, el dicho "Tenemos escuelas del siglo XIX, con maestros del
siglo XX y alumnos del siglo XXI" acuñado por José Manuel Esteve es más cierto
que nunca.
Destaca la disparidad significativa entre el sistema educativo tradicional y
los estudiantes con conocimientos digitales de hoy. Por lo tanto, a los docentes
que no logran adaptar y adoptar la tecnología en sus prácticas docentes les
resultará difícil interactuar de manera efectiva con sus alumnos y brindarles una
experiencia de aprendizaje integral. Esto se debe principalmente a que los
estudiantes de hoy, comúnmente conocidos como nativos digitales, poseen una
competencia innata en el uso de la tecnología y están bien versados en navegar
por las plataformas de redes sociales. De hecho, muchos de ellos están
aprovechando ampliamente el poder de la inteligencia artificial en sus actividades
diarias. Por lo tanto, es imperativo que los educadores se equipen con las
habilidades y conocimientos tecnológicos necesarios para satisfacer las
necesidades y expectativas cambiantes de sus estudiantes expertos en tecnología.
En consecuencia, sería un grave error declinar o descartar el proceso de formación
asociado a esta tecnología, ya que su potencial de gran expansión es imparable.
A pesar del impacto revolucionario de la tecnología en varias facetas de la
vida de las personas, la mayoría de las universidades continúan adhiriéndose a los
modelos tradicionales de clases magistrales. Como consecuencia, el proceso
educativo carece de la significación necesaria para que los estudiantes adquieran
efectivamente los conocimientos. Por lo tanto, es imperativo que las universidades
experimenten cambios estructurales en sus procesos, mientras que los docentes
deben adaptar sus estrategias de aprendizaje en consecuencia. Este cambio es
esencial porque los estudiantes no solo necesitan adquirir habilidades
fundamentales, sino también desarrollar una fuerte aptitud para el trabajo en
equipo, la colaboración y la comunicación. Estas habilidades son cruciales para
navegar por el paisaje en constante cambio de nuestro mundo moderno.
La educación, tal como la conocemos, está experimentando un cambio
significativo. El entorno tradicional del aula, donde un maestro imparte
conocimientos a un grupo de estudiantes, está dando paso gradualmente a una
experiencia de aprendizaje más personalizado y adaptativo. La IA tiene el
potencial de brindar educación personalizada a cada individuo, teniendo en cuenta
77
su estilo de aprendizaje, ritmo e intereses únicos. Con la ayuda de los algoritmos
de IA, las plataformas educativas pueden analizar el desempeño de los estudiantes
y brindar recomendaciones y recursos personalizados para mejorar su viaje de
aprendizaje. Además, la IA también puede contribuir al aprendizaje permanente al
permitir la adaptabilidad y la mejora continuas.
Con el rápido ritmo de los avances tecnológicos, las habilidades requeridas
en el mercado laboral están en constante evolución. Las plataformas impulsadas
por IA pueden identificar brechas de habilidades y proporcionar rutas de
aprendizaje personalizadas para ayudar a las personas a adquirir nuevas
competencias y mantenerse relevantes en sus profesiones. Esto no solo empodera
a las personas, sino que también garantiza una fuerza laboral más resiliente y
adaptable. A medida que profundizamos en las posibilidades del futuro, uno no
puede evitar preguntarse sobre el impacto transformador que la Inteligencia
Artificial tendrá en la educación. La industria de la educación, con sus métodos y
prácticas tradicionales, está al borde de una revolución.
La IA, con su capacidad para procesar grandes cantidades de datos y
aprender de ellos, está lista para revolucionar la forma en que se imparten y
adquieren los conocimientos. Además, la IA también puede desempeñar un papel
crucial a la hora de cerrar la brecha entre la teoría y la práctica. A través de las
tecnologías de realidad virtual y realidad aumentada, los estudiantes pueden
sumergirse en simulaciones realistas y adquirir experiencia práctica en varios
campos. Por ejemplo, los estudiantes de medicina pueden practicar
procedimientos quirúrgicos en un entorno virtual, los estudiantes de ingeniería
pueden diseñar y probar prototipos digitalmente y los estudiantes de idiomas
pueden entablar conversaciones virtuales con hablantes nativos. Estas
experiencias inmersivas no solo mejoran la comprensión, sino que también
fomentan la creatividad, las habilidades para resolver problemas y el pensamiento
crítico.
Otra área en la que la IA puede revolucionar la educación es la valoración
y la evaluación. Los exámenes tradicionales y las pruebas estandarizadas han sido
durante mucho tiempo los medios principales para evaluar el desempeño de los
estudiantes. Sin embargo, a menudo no logran captar el verdadero potencial y las
capacidades de las personas. Las herramientas impulsadas por IA, proporcionan
una evaluación más completa y precisa del conocimiento y las habilidades de los
estudiantes. Al analizar patrones en sus respuestas y desempeño, los algoritmos de
IA pueden identificar áreas de fortaleza y debilidad, lo que permite a los
educadores brindar intervenciones y apoyo específicos. En los próximos tiempos,
la inteligencia artificial (IA) desempeñará un papel fundamental en la revolución
78
de la educación al facilitar experiencias de aprendizaje altamente personalizadas
que se adapten a las necesidades y capacidades únicas de cada estudiante.
Con el advenimiento de las tecnologías de IA, como el procesamiento del
lenguaje natural y la visión por computadora, los educadores podrán analizar
exhaustivamente el progreso de los estudiantes y ofrecer comentarios más
precisos y beneficiosos. AI tiene la capacidad de optimizar y simplificar las tareas
monótonas y repetitivas, lo que permite a los educadores dedicar su tiempo y
energía a esfuerzos más imaginativos y sustanciales. A medida que avanza la
sofisticación de la inteligencia artificial, también se puede aprovechar para
generar materiales educativos, como ejercicios y evaluaciones, con mayor
eficiencia en comparación con los esfuerzos humanos. A medida que el campo de
la inteligencia artificial continúa progresando y revolucionando el ámbito de la
educación, se vuelve imperativo que los educadores, estudiantes y padres se
adapten y adopten estos avances tecnológicos. Poseer las habilidades y la
experiencia necesarias para comprender y utilizar estas tecnologías es crucial. Sin
duda, la tecnología sirve como un instrumento potente para mejorar la calidad de
la educación. Sin embargo, se debe reconocer que, a pesar de su eficacia, la
tecnología nunca podrá sustituir por completo la invaluable conexión humana y la
atención individualizada que los educadores son capaces de brindar a sus
alumnos.
3.3 Aprendizaje Inteligente
Tras esbozar los distintos recursos de los que disponen los docentes para
incorporar la inteligencia artificial en sus aulas y comprender el papel y las
competencias necesarias para hacer frente a la creciente presencia de esta
tecnología, se hace imprescindible profundizar en el proceso de consecución de
un aprendizaje inteligente. Esto enfatiza aún más la necesidad de que las
instituciones educativas, como escuelas y universidades, se transformen en
centros inteligentes donde los maestros competentes equipados con las
habilidades esenciales puedan guiar a los estudiantes hacia el logro de este
objetivo. En los últimos años, el concepto de aprendizaje inteligente ha cobrado
una gran relevancia en el ámbito de la educación. Esta noción abarca la utilización
de tecnologías de inteligencia artificial y análisis de datos para personalizar y
adaptar el aprendizaje de los estudiantes, brindando un enfoque más
personalizado.
En consecuencia, es necesario que los educadores reciban capacitación
sobre cómo emplear de manera efectiva estas herramientas para mejorar los
resultados de aprendizaje de los estudiantes, los educadores deben mostrar su
voluntad de modificar sus métodos de enseñanza y adoptar un enfoque más
79
individualizado y adaptable. Asimismo, la tecnología tiene el potencial de
fomentar experiencias de aprendizaje interactivo que aumentan los niveles de
motivación y compromiso de los estudiantes. Para permitir el aprendizaje
inteligente entre los estudiantes universitarios, es crucial emplear estrategias
efectivas que se adapten a sus necesidades, capacidades y preferencias
individuales. Según Patnood en 2018, experto en tecnología educativa, el
aprendizaje inteligente implica utilizar datos, análisis y tecnología para
personalizar la experiencia de aprendizaje y mejorar el rendimiento.
Esta definición subraya la importancia de las herramientas de análisis de
datos que permiten a los educadores recopilar información valiosa sobre el
progreso de los estudiantes y adaptar sus métodos de enseñanza en consecuencia,
el concepto de aprendizaje inteligente va más allá del aprendizaje personalizado y
se esfuerza por mejorar la calidad y la eficacia generales de la educación
fomentando la creatividad y la innovación. Este concepto destaca la importancia
de que los estudiantes sean capaces de aprender de forma independiente y
perfeccionar sus habilidades de pensamiento crítico para enfrentar con éxito las
demandas complejas de la era moderna. En esencia, el aprendizaje inteligente se
esfuerza por brindar a cada estudiante un encuentro educativo personalizado que
tenga en cuenta sus talentos, inclinaciones y requisitos únicos.
De manera similar, cuando se trata de la utilización de herramientas
tecnológicas de vanguardia en el ámbito del aprendizaje inteligente, los maestros
tienen la capacidad de acceder a datos y análisis en tiempo real sobre el
desempeño de sus estudiantes. Esta información invaluable permite a los
educadores personalizar y personalizar el viaje educativo para cada estudiante
individual, atendiendo a sus necesidades y requisitos específicos. Esencialmente,
el aprendizaje inteligente abarca un enfoque de tres frentes, que consta de entrada,
procesamiento y salida. Para profundizar en las complejidades de este proceso,
desarrollaré cada uno de estos componentes de manera integral, arrojando luz
sobre ejemplos prácticos para dilucidar aún más su funcionalidad y significado.
La entrada se refiere a la información o datos que se proporcionan al
modelo durante el proceso de entrenamiento. Estos datos, también conocidos
como datos de entrenamiento, juegan un papel crucial para permitir que el modelo
aprenda y mejore su rendimiento con el tiempo. Tanto la calidad como la cantidad
de los datos de entrada tienen un impacto significativo en la precisión y eficiencia
del modelo. Por ejemplo, en una clase de idioma enfocada en ortografía, escritura
y gramática, los datos de entrada consistirían en muestras de escritos previos de
los estudiantes, como ensayos o artículos de opinión. El procesamiento, por otro
lado, pertenece al algoritmo empleado por el modelo para analizar y comprender
80
los datos de entrada. Este algoritmo es responsable de extraer características
esenciales de los datos y utilizarlas para hacer predicciones o clasificaciones
precisas.
Para ilustrar, en el caso del aprendizaje de idiomas, el procesamiento
podría involucrar la identificación de patrones recurrentes y errores comunes en la
escritura de los estudiantes. Al utilizar técnicas como el procesamiento del
lenguaje natural, el algoritmo de aprendizaje automático puede analizar aspectos
como la estructura de las oraciones, la elección de palabras y la gramática para
detectar patrones que indiquen errores frecuentes. Cuando se habla de aprendizaje
inteligente, el término "salida" se refiere a los resultados o hallazgos que genera el
modelo una vez que ha procesado los datos de entrada. Estos resultados pueden
adoptar diversas formas, como predicciones, clasificaciones o recomendaciones,
entre otras. La eficacia de los resultados del modelo puede evaluarse en función
de su capacidad para cumplir los objetivos del proyecto.
En el contexto de este modelo en particular, el resultado podría consistir en
sugerencias personalizadas destinadas a mejorar las habilidades de escritura de
estudiantes individuales. Para ilustrar, el algoritmo podría detectar que un
estudiante confunde con frecuencia las palabras "a" y "ha" en su escritura y, como
resultado, podría proponer ejercicios específicos diseñados para ayudar al
estudiante a distinguir entre estas dos palabras y practicar en consecuencia. En
resumen, los tres elementos principales del aprendizaje inteligente, a saber, la
entrada, el procesamiento y la salida, juegan un papel fundamental en la
construcción de modelos de aprendizaje automático que sean precisos y eficientes.
Cada componente tiene la misma importancia y exige un enfoque meticuloso y
estratégico para lograr el máximo rendimiento del modelo.
El aprendizaje inteligente se puede clasificar en dos categorías distintas, a
saber, supervisado y no supervisado. Estos dos enfoques poseen características
únicas y sus aplicaciones pueden beneficiar enormemente a varios campos
educativos, como las clases de lengua y literatura. Profundicemos en las
características definitorias de cada uno, junto con algunos ejemplos ilustrativos
que destacan sus posibles contribuciones dentro de estos dominios académicos. El
aprendizaje supervisado, como enfoque en el aprendizaje automático, implica
proporcionar al algoritmo un conjunto de datos preetiquetado. Esto permite que el
algoritmo aprenda y comprenda cómo clasificar y predecir nuevos datos. Para
ilustrar, consideremos un escenario en una clase de lengua y literatura donde un
maestro quiere enseñarle a un algoritmo cómo identificar la estructura de una
oración.
81
En este caso, el profesor proporcionaría al algoritmo una cantidad
sustancial de oraciones, cada una acompañada de etiquetas que indican la
estructura de la oración (como sujeto, verbo y objeto). Al analizar y detectar
patrones en los datos etiquetados, el algoritmo adquiriría la capacidad de clasificar
nuevas oraciones con precisión. El beneficio clave del aprendizaje supervisado es
que es particularmente útil cuando tiene acceso a datos etiquetados y desea que el
algoritmo aprenda a clasificar o predecir nuevos datos. El aprendizaje no
supervisado es un método de aprendizaje en el que al algoritmo se le presenta un
conjunto de datos que no tiene etiquetas ni categorías predefinidas. El algoritmo
tiene la tarea de descubrir patrones y estructuras dentro de los datos sin ninguna
guía externa.
Para proporcionar un ejemplo identificable, imagine una clase de artes del
lenguaje donde el algoritmo recibe una gran cantidad de texto y su objetivo es
identificar y analizar patrones en el uso del lenguaje. Esto podría implicar
identificar palabras de uso frecuente o distinguir el estilo de escritura único de un
autor. Esencialmente, el aprendizaje no supervisado permite que el algoritmo
explore y descubra de forma independiente información oculta dentro de los
datos. El aprendizaje no supervisado se refiere a un tipo de algoritmo que emplea
técnicas estadísticas para detectar patrones en los datos sin la presencia de
etiquetas preexistentes para guiar su proceso. Este enfoque resulta particularmente
valioso en situaciones en las que las etiquetas anteriores están ausentes, ya que
permite que el algoritmo descubra de forma autónoma estructuras y patrones
ocultos dentro de los datos. En esencia, el aprendizaje no supervisado faculta al
algoritmo para explorar y discernir de forma independiente información
significativa del conjunto de datos dado.
Hay varias formas en las que se genera el aprendizaje inteligente.
Exploremos algunos ejemplos para obtener una comprensión más profunda de
este proceso. En una clase de matemáticas en una universidad, el instructor
emplea tecnología avanzada y métodos de enseñanza creativos para adaptar el
proceso de aprendizaje de los estudiantes, con el objetivo de mejorar su capacidad
para absorber conocimientos y garantizar un aprendizaje inteligente. Para lograr
esto, el maestro utiliza plataformas de aprendizaje adaptables que aprovechan la
tecnología de la información y la inteligencia artificial, lo que les permite
personalizar la instrucción de acuerdo con el ritmo de aprendizaje individual de
cada estudiante y el estilo de aprendizaje preferido.
Para empezar, la plataforma llevaría a cabo un análisis exhaustivo de los
datos de aprendizaje de cada estudiante para medir su nivel actual de comprensión
en el campo de la geometría. Al hacerlo, sería capaz de discernir si un estudiante
82
tiene un buen conocimiento de los conceptos geométricos fundamentales o si
encuentra dificultades cuando se trata de abordar temas más complejos. Con esta
valiosa información a mano, la plataforma adaptaría el viaje de aprendizaje de
cada estudiante individual para abordar y priorizar específicamente las áreas en
las que requieren una mejora adicional. La plataforma ofrecería materiales
educativos individualizados adaptados a las necesidades de cada estudiante,
abarcando una amplia gama de recursos multimedia como videos, ejercicios
interactivos y otras herramientas de aprendizaje.
Estos recursos estarían específicamente diseñados para adaptarse al ritmo
único y las preferencias de aprendizaje de cada estudiante, permitiéndoles avanzar
a su propio ritmo y recibir retroalimentación instantánea sobre su desempeño, la
plataforma facilitaría el seguimiento y análisis continúo del progreso de cada
alumno. Esta característica proporcionaría tanto a los estudiantes como a los
profesores una comprensión integral de sus logros en geometría, lo que permitiría
la detección temprana de cualquier dificultad y permitiría una intervención
personalizada para garantizar que todos los estudiantes avancen de manera
efectiva hacia el éxito. Por lo tanto, el objetivo principal de implementar técnicas
de aprendizaje inteligente dentro de un aula de matemáticas es facilitar el
crecimiento de la comprensión profunda y duradera de los estudiantes de los
principios matemáticos fundamentales.
Simultáneamente, este enfoque también les otorga la autonomía y la
adaptabilidad necesarias para adquirir conocimientos a un ritmo que se alinea con
sus capacidades y preferencias individuales. Considere un escenario en el que un
profesor de lengua y literatura utiliza una plataforma de aprendizaje sofisticada
que posee la capacidad de mejorar la comprensión y el dominio de la gramática.
Esta notable plataforma recopila diligentemente información valiosa sobre el
desempeño de los estudiantes en varias tareas gramaticales y utiliza técnicas
innovadoras de aprendizaje automático para brindar instrucción personalizada que
se adapta a las necesidades únicas de cada alumno individual. Por ejemplo, si un
estudiante se enfrenta a problemas con los verbos irregulares, la plataforma es
capaz de ofrecer ejercicios y actividades de práctica complementarias diseñadas
específicamente para reforzar su competencia en ese aspecto particular de la
gramática.
Imagine un escenario en el que un profesor de matemáticas utiliza métodos
de aprendizaje inteligentes para enseñar geometría a sus alumnos. En este caso
particular, la plataforma de aprendizaje inteligente emplea técnicas de aprendizaje
por refuerzo para ayudar a los estudiantes a resolver problemas de geometría. Por
ejemplo, si un estudiante está lidiando con un problema de cálculo de área
83
complejo, la plataforma proporciona comentarios rápidamente y ayuda al
estudiante a navegar a través del proceso de resolución de problemas. A medida
que el estudiante continúa abordando problemas de geometría, la plataforma tiene
la capacidad de adaptar su instrucción para abordar las áreas específicas en las que
el estudiante requiere más ayuda. Esto se logra mediante la utilización de técnicas
de análisis de datos, que permiten que la plataforma identifique tendencias y
patrones recurrentes en el desempeño del estudiante. Al perfeccionar estos
patrones, la plataforma puede brindar orientación y apoyo específicos en las áreas
donde el estudiante más lo necesita.
Los motores de búsquedas en línea son utilizados por varias plataformas
como Netflix, Amazon y Spotify. Estos motores emplean algoritmos avanzados
de aprendizaje automático para examinar el historial de visualización, compra o
reproducción del usuario. Al hacerlo, pueden generar sugerencias de contenido
personalizadas que se alineen con las preferencias e intereses del usuario.
Además, los sistemas de reconocimiento facial se han convertido en una poderosa
herramienta para mejorar las medidas de seguridad. Implementados en
aeropuertos y estaciones de tren, estos sistemas identifican de manera eficiente a
las personas en las listas de vigilancia, lo que ayuda a prevenir amenazas
potenciales. Al hacer coincidir rápidamente los rasgos faciales de un individuo
con una amplia base de datos de sospechosos conocidos, estos sistemas han
reforzado significativamente los protocolos de seguridad, proporcionando un
entorno más seguro para todos los pasajeros y viajeros.
En el campo de la educación, los sistemas de reconocimiento facial y de
voz tienen el potencial de revolucionar la experiencia de aprendizaje. Al analizar
los patrones del habla y las expresiones faciales de los estudiantes, estos sistemas
pueden proporcionar información valiosa sobre su nivel de compromiso y
comprensión. Los educadores pueden utilizar estos datos para adaptar sus
métodos de enseñanza, asegurando una comprensión óptima y el éxito de los
estudiantes. Los avances en los sistemas de reconocimiento facial y de voz no
solo han mejorado la comodidad y la seguridad, sino que también han abierto una
miríada de posibilidades en diversas industrias. En el sector de la salud, la
tecnología de reconocimiento de voz ha demostrado ser fundamental para ayudar
a los profesionales médicos a registrar la información del paciente de manera
precisa y eficiente. Simplemente dictando sus observaciones, los médicos pueden
concentrarse más en la atención del paciente, reduciendo la carga de las tareas
administrativas que consumen mucho tiempo.
La industria minorista ha adoptado los sistemas de reconocimiento facial
para personalizar las experiencias de los clientes. Estos sistemas pueden
84
identificar rápidamente a los clientes que regresan, lo que permite a las empresas
personalizar ofertas y recomendaciones en función de compras y preferencias
anteriores. Mediante el uso de esta tecnología, los minoristas pueden mejorar la
satisfacción y la lealtad del cliente, lo que en última instancia conduce a un
aumento de las ventas y los ingresos. Las tecnologías innovadoras, como Siri,
Alexa y Google Assistant, utilizan algoritmos de aprendizaje automático para
interpretar y responder con precisión a los comandos de voz.
Con su capacidad para comprender el lenguaje natural, estos sistemas han
revolucionado la forma en que interactuamos con nuestros dispositivos, haciendo
que tareas como configurar recordatorios, buscar en Internet e incluso controlar
nuestros hogares inteligentes sean sencillas. Si bien la implementación de
sistemas de reconocimiento facial y de voz sin duda trae numerosos beneficios, es
esencial abordar las posibles preocupaciones con respecto a la privacidad y la
seguridad. Al igual que con cualquier tecnología, existe la necesidad de normas
estrictas y medidas de seguridad para evitar el uso indebido y el acceso no
autorizado a la información personal. Lograr un equilibrio entre la innovación y la
protección de los derechos de las personas es crucial a medida que continuamos
aprovechando el poder del aprendizaje automático en los sistemas de
reconocimiento facial y de voz.
El aprendizaje automático tiene el potencial de revolucionar el análisis de
datos educativos, lo que permite a las escuelas y universidades profundizar en
grandes cantidades de información de los estudiantes que abarca calificaciones,
registros de asistencia y varias otras métricas. Al aprovechar el poder de los
algoritmos de aprendizaje automático, las instituciones educativas pueden
descubrir patrones y tendencias ocultos en el rendimiento académico que antes
eran difíciles de detectar. Esta información invaluable permite a los educadores
identificar a los estudiantes que requieren apoyo e intervención adicionales, lo que
garantiza en última instancia que ningún estudiante se quede atrás. Igualmente,
armadas con esta comprensión integral de las necesidades de los estudiantes, las
instituciones pueden tomar decisiones informadas para adaptar y optimizar su
plan de estudios, adaptándolo para satisfacer los requisitos únicos de los
estudiantes individuales. Al aprovechar el aprendizaje automático en el análisis de
datos educativos, las escuelas y universidades pueden allanar el camino para
mejorar el éxito de los estudiantes y la excelencia educativa en general.
3.4 Características Del Aprendizaje Inteligente
Las personas con aprendizaje inteligente poseen adaptabilidad, lo que les
permite navegar de manera efectiva en diversas situaciones de aprendizaje
mediante el empleo de diversas estrategias y herramientas. La colaboración es
85
otro atributo clave, ya que poseen la capacidad de trabajar de manera cohesiva con
otros para lograr objetivos de aprendizaje comunes, las personas con aprendizaje
inteligente poseen características y habilidades específicas. En primer lugar,
exhiben autonomía en su proceso de aprendizaje, tomando decisiones informadas
y asumiendo la responsabilidad de su propio aprendizaje. También demuestran
metacognición, reflexionan sobre sus experiencias de aprendizaje, identifican
fortalezas y debilidades y ajustan sus estrategias de aprendizaje en consecuencia.
Estas características del aprendizaje inteligente no han sido completamente
articuladas por ningún autor, ya que el autor ha revisado cuidadosamente y
resaltado los rasgos más excepcionales. Es importante tener en cuenta que estas
cualidades seguirán evolucionando y perfeccionándose a medida que la tecnología
avance y los educadores exploren métodos de enseñanza innovadores. La
creatividad también es una característica destacada, ya que las personas con
aprendizaje inteligente tienen la capacidad de generar ideas nuevas y originales,
combinar ideas existentes de manera innovadora y encontrar soluciones creativas
a los problemas. Finalmente, poseen habilidades de alfabetización digital, lo que
les permite utilizar y comprender de manera competente y responsable las
tecnologías de la información y la comunicación.
Un aspecto importante del aprendizaje inteligente es la personalización,
que implica adaptarse a las necesidades, estilos de aprendizaje y ritmo únicos de
cada estudiante. Esto es posible gracias a la utilización de herramientas
tecnológicas avanzadas, que no solo personalizan la experiencia de aprendizaje,
sino que también brindan retroalimentación continua a los estudiantes. Esta
retroalimentación instantánea permite a los estudiantes identificar y rectificar
rápidamente cualquier error que puedan haber cometido. Además, el aprendizaje
inteligente promueve el aprendizaje colaborativo, alentando a los estudiantes a
trabajar juntos y aprender de sus compañeros. Esto no solo mejora su
conocimiento académico, sino que también fomenta el desarrollo de importantes
habilidades sociales y emocionales.
Los elementos de gamificación, como puntos, concursos y premios, a
menudo se incorporan al aprendizaje inteligente para motivar a los estudiantes e
involucrarlos activamente en el proceso de aprendizaje. A la luz de estas
características, es evidente que el aprendizaje inteligente abarca la
personalización, la tecnología avanzada, la retroalimentación inmediata, el
aprendizaje colaborativo y la gamificación. Estos elementos son esenciales para el
desarrollo de la creatividad, la innovación y las habilidades de pensamiento crítico
en los estudiantes, las habilidades de pensamiento crítico son evidentes en las
personas con aprendizaje inteligente, ya que poseen la capacidad de analizar y
86
evaluar información, identificar suposiciones, detectar errores y sacar
conclusiones válidas. La solución de problemas es otra habilidad en la que se
destacan, siendo capaces de identificar y definir problemas, generar soluciones
alternativas, evaluar su efectividad y seleccionar la solución más adecuada.
Las universidades también pueden ofrecer contenido educativo a través de
plataformas de aprendizaje en línea, otorgando a los estudiantes la oportunidad de
acceder a los materiales del curso independientemente de su ubicación o
limitaciones de tiempo. Esta estrategia es particularmente beneficiosa para los
estudiantes que tienen trabajos de tiempo completo o enfrentan otras barreras que
les impiden asistir a las clases presenciales tradicionales. La integración de
elementos de juego en el proceso de aprendizaje, conocida como gamificación, ha
demostrado ser una estrategia eficaz para impulsar la motivación y el compromiso
de los estudiantes. Al implementar elementos como puntos, niveles y
recompensas, las universidades pueden motivar de manera efectiva a los
estudiantes para que participen activamente y participen en su aprendizaje.
Se lleva a cabo un examen en profundidad de los datos para analizar el
desempeño de los estudiantes y adaptar de manera efectiva los métodos de
instrucción. Esta tecnología de vanguardia no solo monitorea el progreso de los
estudiantes, sino que también registra sus patrones de aprendizaje únicos, que
luego se pueden utilizar para personalizar los procesos educativos para que se
adapten mejor a las necesidades individuales. Con el auge de los dispositivos
móviles y las aplicaciones de aprendizaje, los estudiantes ahora tienen la
capacidad de acceder a materiales educativos en cualquier momento y en
cualquier lugar. Este enfoque de aprendizaje móvil permite una mayor flexibilidad
en el proceso de aprendizaje, lo que permite a los estudiantes aprender a su propio
ritmo y conveniencia.
La implementación de tecnologías de realidad virtual y aumentada permite
la creación de experiencias de aprendizaje altamente interactivas e inmersivas.
Estas tecnologías avanzadas brindan a los estudiantes un entorno de aprendizaje
más atractivo y realista, mejorando su comprensión general y la retención del
conocimiento. Promover el aprendizaje colaborativo es otra estrategia efectiva
para implementar el aprendizaje inteligente en las universidades. Este enfoque
anima a los estudiantes a trabajar juntos, fomentando un entorno de aprendizaje
colaborativo e interactivo. Al participar en actividades y discusiones grupales, los
estudiantes pueden mejorar aún más su comprensión del tema y desarrollar
importantes habilidades de trabajo en equipo.
La utilización de algoritmos de aprendizaje automático es otro método
empleado para mejorar la precisión del aprendizaje personalizado. Al incorporar
87
estos algoritmos, el sistema educativo se vuelve más eficiente al adaptar la
instrucción para satisfacer las necesidades y habilidades específicas de cada
estudiante, aprender a codificar y programar es un aspecto esencial del
aprendizaje inteligente. Dado que la IA es una tecnología basada en código, es
crucial que los estudiantes entiendan cómo funciona y desarrollen las habilidades
necesarias para crear cosas increíbles con ella. Al adquirir competencia en
codificación y programación, los estudiantes pueden desbloquear todo el potencial
de la IA y utilizarlo en su beneficio. Por último, practicar las habilidades de
resolución y resolución de problemas es clave en el aprendizaje inteligente.
La participación en actividades de pensamiento crítico y resolución de
problemas, los estudiantes pueden desarrollar sus habilidades para analizar y
superar desafíos. Esto no solo mejora sus experiencias de aprendizaje, sino que
también los equipa con habilidades valiosas que se pueden aplicar en varios
aspectos de la vida. Además, la colaboración con los compañeros de clase es
crucial en el aprendizaje inteligente. Al trabajar juntos y utilizar herramientas de
inteligencia artificial, los estudiantes pueden hacer que sus proyectos sean más
agradables y eficientes. Esto no solo permite compartir conocimientos y
habilidades, sino que también fomenta un sentido de trabajo en equipo y
camaradería entre los estudiantes. En general, implementar el aprendizaje
inteligente en un contexto educativo implica utilizar la tecnología de manera
responsable, colaborar con los compañeros, fomentar la curiosidad, aprender a
codificar y practicar habilidades para resolver problemas.
Al adoptar estos principios, los estudiantes pueden mejorar sus
experiencias de aprendizaje y desarrollar las habilidades necesarias para prosperar
en un mundo cada vez más impulsado por la IA. Además, es importante que los
estudiantes cultiven un sentido de curiosidad y hagan preguntas. La IA puede ser
un recurso valioso para encontrar respuestas a estas preguntas y descubrir cosas
nuevas y emocionantes. Al utilizar la tecnología de inteligencia artificial, los
estudiantes pueden profundizar en sus áreas de interés y ampliar su base de
conocimientos. Para implementar efectivamente el aprendizaje inteligente en un
entorno educativo, se pueden tomar varios pasos. En primer lugar, es importante
que los estudiantes aprendan a utilizar la tecnología de forma responsable y
creativa. Para comprender sus capacidades y limitaciones, los estudiantes pueden
utilizar eficazmente herramientas como la Inteligencia Artificial para mejorar sus
experiencias de aprendizaje y explorar temas nuevos e interesantes.
El proceso de aprendizaje es un aspecto integral de la existencia humana
que continúa indefinidamente. A lo largo de la historia, las personas han
empleado multitud de herramientas y técnicas para adquirir conocimientos y
88
ampliar su comprensión. En la era contemporánea, el advenimiento de las
tecnologías de inteligencia artificial (IA) ha revolucionado el ámbito del
aprendizaje, presentando perspectivas novedosas y complejidades. No obstante, es
vital reconocer que la IA no es una solución panacea para el proceso de
aprendizaje. Aunque existen claras ventajas en el uso de tecnología como la IA,
no debe verse como un reemplazo completo del esfuerzo humano y el proceso
continuo de aprendizaje. Para aprovechar al máximo el potencial de estas
herramientas, es imperativo realizar un esfuerzo diligente y mantener una
mentalidad de crecimiento continuo, es crucial utilizar la tecnología de manera
responsable e innovadora para aprovechar al máximo sus múltiples beneficios. A
medida que nos adentramos en el ámbito de la IA, es esencial nutrir nuestra
curiosidad innata y asegurarnos de que permanezca fervientemente encendida.
El proceso de aprendizaje es un aspecto integral de la existencia humana
que continúa indefinidamente. A lo largo de la historia, las personas han
empleado multitud de herramientas y técnicas para adquirir conocimientos y
ampliar su comprensión. En la era contemporánea, el advenimiento de las
tecnologías de la IA ha revolucionado el ámbito del aprendizaje, presentando
perspectivas novedosas y complejidades. No obstante, es vital reconocer que la IA
no es una solución panacea para el proceso de aprendizaje. Aunque existen claras
ventajas en el uso de tecnología como la inteligencia artificial, no debe verse
como un reemplazo completo del esfuerzo humano y el proceso continuo de
aprendizaje. Para aprovechar al máximo el potencial de estas herramientas, es
imperativo realizar un esfuerzo diligente y mantener una mentalidad de
crecimiento continuo. Es necesario utilizar la tecnología de manera responsable e
innovadora para aprovechar al máximo sus múltiples beneficios, a medida que nos
adentramos en el ámbito de la IA, es esencial nutrir nuestra curiosidad innata y
asegurarnos de que permanezca fervientemente encendida.
3.5 Algoritmos de IA como uso de Herramientas Educativas
La utilización de algoritmos de inteligencia artificial como herramientas
educativas se ha vuelto cada vez más frecuente en los últimos años. Este avance
en la tecnología ha revolucionado la forma en que se imparte y adquiere el
conocimiento. Los algoritmos de IA tienen la capacidad de analizar grandes
cantidades de datos y brindar experiencias de aprendizaje personalizadas a los
estudiantes. Este enfoque personalizado permite una instrucción personalizada
basada en las fortalezas y debilidades individuales, mejorando en última instancia
la experiencia educativa general. Un beneficio clave del uso de algoritmos de IA
como herramientas educativas es su capacidad para adaptarse y evolucionar con el
89
tiempo. Estos algoritmos pueden aprender continuamente de las interacciones de
los usuarios y refinar sus recomendaciones y entrega de contenido.
Esta adaptabilidad asegura que los estudiantes reciban constantemente la
información más relevante y actualizada, manteniéndolos comprometidos y
motivados para aprender, los algoritmos de IA tienen la capacidad de identificar
patrones y tendencias en el desempeño y comportamiento de los estudiantes. Al
analizar estos patrones, los educadores pueden obtener información valiosa sobre
el estilo de aprendizaje, las preferencias y las áreas de mejora de cada estudiante.
Este enfoque basado en datos permite a los educadores tomar decisiones
informadas y personalizar sus estrategias de enseñanza para satisfacer mejor las
necesidades individuales de sus alumnos. Sin embargo, es importante reconocer
que la integración de los algoritmos de IA en la educación no está exenta de
desafíos. Las preocupaciones sobre la privacidad y la seguridad de los datos deben
abordarse para garantizar la protección de la información confidencial de los
estudiantes.
En este sentido, existe la necesidad de capacitación continua y desarrollo
profesional para que los educadores implementen y utilicen de manera efectiva los
algoritmos de IA en sus prácticas docentes. Además, los algoritmos de IA pueden
ofrecer comentarios y evaluaciones en tiempo real, lo que permite a los
estudiantes realizar un seguimiento de su progreso e identificar áreas que
requieren más atención. Esta retroalimentación inmediata no solo permite a los
estudiantes apropiarse de su aprendizaje, sino que también los ayuda a desarrollar
el pensamiento crítico y las habilidades para resolver problemas. Con los
algoritmos de IA, los estudiantes pueden recibir recomendaciones personalizadas
de recursos o actividades adicionales para mejorar aún más su comprensión de un
tema en particular. El uso de algoritmos de IA en la educación también puede
cerrar la brecha entre las aulas tradicionales y el aprendizaje remoto. Con la
pandemia de COVID-19 obligando a muchas instituciones educativas a adoptar
plataformas de aprendizaje en línea, los algoritmos de IA han jugado un papel
crucial en el mantenimiento de la calidad de la educación. Estos algoritmos
pueden simular experiencias interactivas en el aula, facilitando discusiones
virtuales y brindando apoyo personalizado a los estudiantes, independientemente
de su ubicación física.
El desarrollo de la inteligencia artificial se ha expandido más allá del
ámbito de los expertos y tecnólogos informáticos. Una excelente ilustración de
esto se puede ver en la introducción de Power Virtual Agents de Microsoft, que
permite a las instituciones construir y administrar chatbots inteligentes sin
esfuerzo y sin necesidad de codificación. Este avance permite la participación
90
interactiva entre estudiantes y profesores a través de conversaciones facilitadas
por estos chatbots. Un caso notable es el del profesor David Kellermann de la
Universidad de Nueva Gales del Sur en Sydney, Australia, quien ha desarrollado
con éxito un sofisticado bot de preguntas capaz de mejorar continuamente su
rendimiento a través del aprendizaje automático.
Este avance empodera a los estudiantes brindándoles acceso autónomo a
las respuestas, fomentando el aprendizaje personalizado y fomentando una mayor
independencia, estas herramientas innovadoras se pueden integrar a la perfección
en la plataforma Teams (MS), ofreciendo a los usuarios una experiencia de clase
integral e inclusiva con todos los recursos necesarios consolidados en un solo
lugar. Del mismo modo, lo mismo puede decirse de las otras herramientas de
Google. La sincronización perfecta que tiene lugar entre Meet, Calendar, Gmail y
Classroom no solo mejora la experiencia del usuario y facilita la interacción entre
estas herramientas, sino que también abre un ámbito más amplio de participación
entre estudiantes y profesores.
La utilización de herramientas impulsadas por IA permite el desarrollo de
entornos educativos inclusivos e interactivos a escala global, que abarcan tanto
entornos de aula tradicionales como plataformas virtuales, En particular, los
entornos virtuales mejorados por IA ofrecen perspectivas de aprendizaje
invaluables para estudiantes con discapacidades auditivas o visuales, así como
para aquellos que se comunican en idiomas distintos al dominante. A través de sus
capacidades inteligentes, la IA insta a los educadores a reconocer diversos estilos
de aprendizaje y adaptar la experiencia de enseñanza y aprendizaje para mejorar el
rendimiento académico de los estudiantes. Con la naturaleza en constante
evolución de la tecnología y las constantes transformaciones que trae consigo, han
surgido varias iniciativas comerciales para satisfacer las necesidades de
profesionales y académicos sin requerir que gasten tiempo y dinero valiosos en el
desarrollo de sus propias herramientas.
Estas iniciativas están respaldadas por el concepto de "AIaaS" o "AI as a
Service" (inteligencia artificial como servicio), que tiene como objetivo brindar a
los grupos de educación y aprendizaje la oportunidad de obtener licencias para
herramientas y componentes de Inteligencia Artificial. Al adoptar este concepto,
las personas y las organizaciones pueden aprovechar el poder de la inteligencia
artificial sin la carga de crear sus propias soluciones. Sin embargo, debe tenerse
en cuenta que, si bien es posible que estas herramientas no sean aplicables a todos
los ecosistemas de aprendizaje electrónico, brindan varias ventajas atractivas que
pueden mejorar su caja de herramientas, como la incorporación de tareas
esenciales de IA como la lógica y la toma de decisiones.
91
3.6 Plataformas e-learning con IA para Entornos Educativos
Una de las principales ventajas de las plataformas de e-learning con IA es
su capacidad para personalizar la experiencia de aprendizaje. A través del análisis
de datos, la IA puede identificar las necesidades y preferencias individuales de
cada estudiante, y adaptar los materiales y actividades del curso en consecuencia.
Esto permite a los estudiantes aprender a su propio ritmo y de acuerdo a sus
propios estilos de aprendizaje. Las plataformas de e-learning con inteligencia
artificial (IA) son herramientas tecnológicas diseñadas para ser utilizadas en
entornos educativos en línea. Estas plataformas ofrecen una amplia gama de
recursos y funcionalidades que facilitan la enseñanza y el aprendizaje a través de
internet. La IA es una rama de la informática que permite a las máquinas aprender
y tomar decisiones de manera autónoma, imitando la inteligencia humana.
En el contexto de las plataformas de e-learning, la IA se utiliza para
analizar y comprender los datos generados por los estudiantes, como sus
respuestas a los ejercicios y su progreso en el curso. Además de la
personalización, la IA también puede ayudar a los estudiantes a mejorar su
rendimiento académico. Mediante la identificación de patrones en los datos de los
estudiantes, la IA puede detectar áreas de debilidad y ofrecer recomendaciones
específicas para el estudio y la práctica. Esto ayuda a los estudiantes a enfocar su
tiempo y esfuerzo en las áreas que más lo necesitan, maximizando así su
aprendizaje. Otra función importante de las plataformas de e-learning con IA es la
retroalimentación instantánea. A diferencia de los métodos tradicionales de
evaluación, donde los estudiantes tienen que esperar para recibir comentarios de
sus profesores, la IA puede proporcionar retroalimentación inmediata sobre las
respuestas de los estudiantes. Esto permite a los estudiantes corregir errores y
mejorar su comprensión de los conceptos de manera inmediata.
La integración o fusión de los Sistemas de Gestión del Aprendizaje,
también denominados plataformas o gestores de aprendizaje, con la inteligencia
artificial, da lugar a enfoques innovadores en el entorno educativo que se ven
impactados por estas transformaciones. Estos avances abarcan todos los niveles
educativos, desde la educación infantil hasta la educación superior o incluso los
estudios de posgrado. Según Latorre, Sierra y Lozano en 2021, los expertos
argumentan que debido a la complejidad y constante evolución de los entornos
modernos, existe la necesidad de repensar la educación desde una perspectiva que
enfatice el aprendizaje a lo largo de la vida. Esto significa que las nociones
tradicionales de la educación como un proceso de una sola vez deben reevaluarse
para adaptarse a las demandas en constante cambio de la sociedad contemporánea.
92
Sin embargo, la reevaluación de los métodos de enseñanza a la luz de la
automatización digital se extiende mucho más allá de los aspectos técnicos del
diseño, la programación y la implementación del sistema. Abarca la adopción de
un modelo de aprendizaje centrado en plataformas en línea, multimedia y
virtuales. En línea con este cambio, la tecnología del sistema de gestión de
aprendizaje (LMS) basada en la nube se está volviendo cada vez más popular en
las universidades, ya que ofrece métodos de capacitación flexible y rentable para
los estudiantes. Al integrar la IA y la tecnología en la nube en el LMS, los
estudiantes pueden acceder a información y recursos educativos en cualquier
momento y desde cualquier lugar. En consecuencia, la tecnología LMS basada en
computación en la nube brinda a las universidades los medios para crear un
entorno de aprendizaje virtual que beneficia tanto a los educadores como a los
estudiantes.
Los beneficios antes mencionados, las universidades también pueden
disfrutar de una mayor seguridad de los datos mediante la utilización de esta
tecnología. Con mejoras y actualizaciones automáticas, las universidades pueden
asegurarse de que sus sistemas estén siempre actualizados y equipados con las
últimas funciones de seguridad, las capacidades de implementación rápida de esta
tecnología permiten a las universidades implementar rápidamente las medidas de
seguridad necesarias para proteger la información confidencial, el uso de un mejor
cifrado para las transacciones en línea garantiza que las transacciones financieras
realizadas por las universidades estén protegidas contra posibles amenazas
cibernéticas. Por lo tanto, la integración de esta tecnología no solo brinda a las
universidades varias ventajas, sino que también contribuye a garantizar un entorno
de datos seguro y protegido.
Según los hallazgos del informe Global Market Elearning, en 2021, el
mercado de aprendizaje en línea experimentó un crecimiento notable en 2020,
superando la asombrosa cantidad de USD 250 mil millones. Se prevé que esta
tendencia continúe su trayectoria ascendente con una tasa de crecimiento
proyectada de más del 21 % entre 2021 y 2027. Vale la pena señalar que este
aumento en el mercado no se atribuye únicamente a la implementación de la IA,
sino también a la introducción de otras tecnologías punteras como la Realidad
Virtual (VR) y sistemas de gestión de aprendizaje (LMS) basados en la nube. Se
espera que la combinación de estas tecnologías innovadoras sea la fuerza
impulsora detrás de la expansión del mercado de aprendizaje en línea.
Aparte, se cree que la integración de la IA en las plataformas de
aprendizaje en línea revolucionará el campo al permitir la creación de contenido
educativo inteligente, materiales de estudio digitalizados y la facilitación de
93
preguntas interactivas en tiempo real. Estos avances sin duda mejorarán la
experiencia de aprendizaje en general y contribuirán al crecimiento continuo de la
industria del aprendizaje en línea. El mercado de aprendizaje electrónico de
América del Norte experimentó un crecimiento significativo en 2020, con una
participación en los ingresos que superó el 35 %. Esto se puede atribuir a la
presencia de universidades de renombre y la disponibilidad de infraestructura de
Internet avanzada en la región. Prestigiosas instituciones educativas como la
Universidad de Harvard, la Universidad de Columbia, la Universidad de Yale,
The New School y la Universidad Estatal de Montana han sido testigos de un
aumento en las inscripciones en línea de estudiantes de todo el mundo. En
particular, los estudiantes indios se han convertido en el segundo grupo de
consumidores más grande de cursos en línea de Ciencias y Tecnología de la Salud
(HST) ofrecidos por Harvard-MIT. Como resultado, las universidades de
diferentes países se han sentido motivadas para brindar a los estudiantes una
amplia gama de oportunidades de aprendizaje en línea en diversas disciplinas
académicas.
Asistimos al surgimiento de la Inteligencia Artificial y su influencia en el
sistema educativo. Así como la pandemia de coronavirus nos obligó a adaptarnos
a las aulas virtuales, ahora debemos adoptar el uso de algoritmos de IA en estos
entornos de aprendizaje virtual. Esta transición requiere una importante formación
docente para garantizar una integración perfecta de las TIC, como las redes
telemáticas, los entornos virtuales de enseñanza-aprendizaje, los sistemas
informáticos y los recursos multimedia. El uso de la IA puede revolucionar la
educación tradicional al promover una alta interactividad a través de las redes
sociales y las herramientas de comunicación. Estos avances no solo mejoran la
experiencia de aprendizaje, sino que también promueven la inclusión, la
integración y la contextualización en la educación.
Por lo tanto, la integración de algoritmos de IA con E-learning presenta
una perspectiva fascinante, como hemos discutido anteriormente en secciones
anteriores, particularmente dentro del ámbito de las plataformas del Sistema de
Gestión de Aprendizaje (LMS). Dentro de este marco, numerosos académicos
sostienen que la inteligencia artificial posee un inmenso potencial para alinearse
con las tendencias en evolución del aprendizaje electrónico. Esto, a su vez, nos
lleva a afirmar que en la era contemporánea, el dominio de la capacitación y el
aprendizaje en línea requiere una cantidad significativa de enfoque y un sistema
bien diseñado para satisfacer las necesidades genuinas de los estudiantes. Por lo
tanto, la integración de la inteligencia artificial en un sistema de gestión de
aprendizaje (LMS) puede mejorar en gran medida la experiencia de aprendizaje
de los estudiantes al ayudarlos a comprender materias o cursos de manera más
94
efectiva. Sin embargo, es crucial explorar las numerosas ventajas que surgen de la
incorporación de algoritmos avanzados de inteligencia artificial en un LMS.
Los sistemas educativos modernos equipan a los estudiantes con las
habilidades y conocimientos fundamentales que necesitarán a lo largo de sus
carreras. A medida que la inteligencia artificial (IA) continúa avanzando e
integrándose en diversas industrias, es evidente que los estudiantes actuales
navegarán inevitablemente por un futuro en el que la IA y otras tecnologías
similares desempeñen un papel fundamental en su vida cotidiana y en sus
actividades profesionales. En consecuencia, los métodos tradicionales, como los
manuales en papel y las pizarras, pronto pueden volverse obsoletos, dando paso a
una nueva era de educación que se basa en tecnologías innovadoras y de
vanguardia. El avance y el crecimiento de los nuevos sistemas de inteligencia
artificial (IA) darán como resultado la simplificación de la automatización de
tareas repetitivas como un componente crucial de la revolución digital (Lee,
2018).
Esta transformación no excluirá al sector educativo, lo que requerirá una
reevaluación y un redesarrollo continuos y regulares de los programas educativos
para adaptarse a la influencia de la IA, la era de la información ha generado una
cantidad abrumadora de datos, lo que ha llevado a los países a iniciar la
recopilación y organización de estos datos. La utilización de big data para obtener
información valiosa está revolucionando la educación al permitir la creación de
experiencias de aprendizaje personalizadas. A medida que el campo de la
educación continúa evolucionando, su objetivo principal es facilitar la conexión
de los estudiantes con sus propias vidas, involucrarlos activamente en las
actividades del aula y equiparlos con las habilidades necesarias para prosperar en
el futuro.
Esto requiere la promoción tanto del pensamiento computacional como del
pensamiento crítico, ya que estas habilidades son esenciales para que los
estudiantes naveguen por las complejidades del mundo moderno, es fascinante
observar el desarrollo continuo de metodologías de enseñanza innovadoras, que se
están convirtiendo en componentes integrales de un ecosistema educativo en
constante cambio. Actualmente vivimos una situación en la que la integración de
la tecnología y la pedagogía pueden colaborar armónicamente para generar
cambios significativos en la educación. Esta colaboración puede empoderar a los
docentes al equiparlos con las herramientas necesarias para mejorar sus
metodologías de enseñanza, fomentar el desarrollo de entornos de aprendizaje
más flexibles y adaptables y, en última instancia, transformar las aulas
tradicionales en espacios innovadores que satisfagan las necesidades del futuro.
95
Estas tendencias emergentes en la educación están a punto de continuar
expandiéndose, por lo que es imperativo que prestemos mucha atención a las
implicaciones éticas que presentan. Dados los rápidos avances tecnológicos, es
crucial abordar y establecer marcos de políticas acordados que regulen y
promuevan prácticas éticas en el uso de la inteligencia artificial (IA) en la
educación. A medida que la IA se integra cada vez más en los sistemas
educativos, se hace necesario que el sistema educativo de cada país defina cómo
se deben utilizar los datos de los diversos actores involucrados, como docentes y
estudiantes. Al hacerlo, podemos garantizar que se respete el uso ético de la IA y
que los posibles riesgos y preocupaciones asociados con su implementación se
aborden y mitiguen adecuadamente.
La IA, la robótica y la automatización tienen el potencial de cerrar la
brecha en el acceso y la equidad en la educación. Para los estudiantes en áreas
remotas o desatendidas, las aulas virtuales impulsadas por tecnologías de IA
pueden brindar acceso a una educación de calidad que puede no estar disponible
localmente. Estas aulas virtuales pueden simular interacciones cara a cara, lo que
permite a los estudiantes interactuar con educadores y compañeros de todo el
mundo. Esto no solo amplía sus perspectivas, sino que también promueve el
intercambio cultural y la colaboración global, la IA, la robótica y la
automatización han allanado el camino para experiencias de aprendizaje
personalizadas. Los sistemas de tutoría inteligentes pueden adaptarse a las
necesidades y estilos de aprendizaje individuales de los estudiantes, brindando
contenido y orientación personalizados.
Esto asegura que los estudiantes sean desafiados a un nivel apropiado y
puedan progresar a su propio ritmo. Al recibir comentarios y apoyo
personalizados, los estudiantes están más motivados y comprometidos en su viaje
de aprendizaje, lo que lleva a un mejor rendimiento académico. Una de las
ventajas clave de incorporar IA, robótica y automatización en la enseñanza es la
capacidad de mejorar la eficiencia. Con la ayuda de sistemas impulsados por IA,
los educadores pueden automatizar tareas administrativas como la calificación, el
seguimiento de la asistencia y la planificación de lecciones. Esto libera un tiempo
valioso para que los maestros se concentren en aspectos más críticos de la
educación, como diseñar un plan de estudios innovador y brindar apoyo
individualizado a los estudiantes.
Los algoritmos de IA pueden analizar grandes cantidades de datos para
identificar patrones y tendencias, lo que permite a los educadores tomar
decisiones basadas en datos para mejorar las estrategias de enseñanza y los
resultados de los estudiantes, la integración de la robótica en la educación ha
96
abierto nuevas posibilidades para experiencias prácticas de aprendizaje. A través
de kits de robótica y plataformas de programación, los estudiantes pueden
explorar conceptos de ciencia, tecnología, ingeniería y matemáticas (STEM) de
manera práctica e interactiva. Esto no solo mejora su comprensión de estos temas,
sino que también fomenta la creatividad, las habilidades para resolver problemas
y el trabajo en equipo. A medida que los estudiantes se involucran en la
construcción y programación de robots, desarrollan pensamiento crítico y
habilidades analíticas, preparándolos para futuras carreras en campos que
requieren experiencia en estas áreas. La IA, la robótica y la automatización han
tenido un impacto significativo en el sistema educativo al revolucionar la forma
en que se produce la enseñanza y el aprendizaje. Estas tecnologías han generado
numerosos beneficios, que incluyen una mayor eficiencia, experiencias de
aprendizaje personalizadas y una mayor participación de los estudiantes. Como
resultado, los educadores y las instituciones han adoptado estos avances para crear
un entorno educativo más eficaz y dinámico.
97
Capítulo IV
Investigación y Aprendizaje en áreas de la IA
La visión por computadora, otra área de investigación de IA, tiene como
objetivo equipar a las máquinas con la capacidad de comprender e interpretar
información visual. Este campo ha sido testigo de avances significativos en el
reconocimiento de objetos, clasificación de imágenes y reconocimiento facial.
Estos desarrollos han allanado el camino para la integración de IA en sistemas de
vigilancia, vehículos autónomos e imágenes médicas, entre otros. Un área de
investigación de IA que ha llamado mucho la atención es el aprendizaje
automático, que implica la creación de algoritmos y modelos que permiten a las
computadoras aprender de los datos sin ser programadas explícitamente. Este
enfoque ha llevado a la creación de potentes aplicaciones de IA, como sistemas de
recomendación, sistemas de detección de fraude y asistentes personales virtuales.
Las técnicas de aprendizaje automático, como el aprendizaje profundo, han
demostrado ser muy eficaces para resolver problemas complejos y mejorar los
procesos de toma de decisiones. La robótica es otra área en la que la investigación
de la IA ha logrado un progreso sustancial. Los investigadores han estado
trabajando para crear robots inteligentes que puedan realizar tareas de forma
autónoma, adaptarse a entornos dinámicos y colaborar con los humanos. Desde
robots industriales que agilizan los procesos de fabricación hasta robots de
asistencia que ayudan en el cuidado de la salud, la integración de la IA en la
robótica ha revolucionado varias industrias y mejorado la productividad y la
eficiencia. Otro aspecto crucial de la investigación de IA es el procesamiento del
lenguaje natural (NLP), que se enfoca en permitir que las computadoras
comprendan, interpreten e interactúen con el lenguaje humano.
Las técnicas de PNL han sido fundamentales en el desarrollo de asistentes
de voz, chatbots y sistemas de traducción de idiomas. Estas aplicaciones no solo
han simplificado las interacciones entre humanos y computadoras, sino que
también han facilitado la comunicación entre diferentes idiomas y culturas. En los
últimos años, la investigación de la IA ha sido testigo de un progreso notable, con
avances en el aprendizaje automático, el procesamiento del lenguaje natural, la
visión artificial y la robótica. Estos avances allanaron el camino para el desarrollo
de sistemas inteligentes que pueden analizar grandes cantidades de datos,
aprender de patrones, hacer predicciones y adaptarse a entornos cambiantes. Esto
ha revolucionado numerosos sectores, incluidos el de la salud, las finanzas, el
transporte, la fabricación y el entretenimiento.
98
La exploración y el avance de la IA a través de la investigación y el
desarrollo han sido significativos y continúan dando forma a varios campos e
industrias. La IA se ha convertido en un punto focal para investigadores y
científicos, ya que se esfuerzan por mejorar las capacidades de las máquinas y
computadoras para imitar la inteligencia humana y las funciones cognitivas. En
los últimos años, el desarrollo de aplicaciones tecnológicas que incorporan
métodos de IA ha demostrado ser muy exitoso en la resolución de problemas
complejos a gran escala. Estas aplicaciones se han transformado en sistemas
sofisticados que muestran el inmenso potencial de la IA en la resolución de
problemas.
•Permiten al usuario consultar la base de datos en cualquier lenguaje mejor
que el lenguaje de programación.
• Reconocen objetos en el escenario usando dispositivos de visión.
• Generar palabras legibles por humanos a partir de textos computarizados.
• Reconocer e interpretar un pequeño vocabulario de palabras humanas.
• Resolver problemas en varios campos utilizando la experiencia
sistemática.
La educación tecnológica busca brindar a los estudiantes los
conocimientos y las habilidades necesarias para comprender y navegar en el
mundo moderno que está fuertemente influenciado por la tecnología. Esto incluye
el desarrollo de un nivel de competencia conocido como alfabetización
tecnológica, que abarca una gama de capacidades y competencias.
• la capacidad de valorar el desarrollo tecnológico y su relación con la
sociedad y el medio ambiente;
• la capacidad de comprender los actos tecnológicos propios y ajenos en el
marco de su impacto social y ambiental;
• La capacidad para realizar actividades tecnológicas con calidad, respeto
al medio ambiente, de forma creativa, eficiente y ética.
Por último, el aprendizaje basado en la tecnología ofrece a los estudiantes
una plataforma para expresar su creatividad e innovación, a través de varias
herramientas y software digitales, los estudiantes pueden explorar y experimentar
con diferentes medios de expresión, como el diseño gráfico, la edición de videos y
la animación. Esto no solo les permite mostrar sus talentos e intereses, sino que
también fomenta sus habilidades de resolución de problemas y pensamiento
crítico. Al fomentar la creatividad y la innovación, el aprendizaje basado en la
tecnología empodera a los estudiantes para pensar fuera de la caja y desarrollar
soluciones únicas para problemas del mundo real. Los estudiantes, al participar en
99
el aprendizaje basado en la tecnología, se les presentan una amplia gama de
oportunidades y beneficios.
La utilización de la tecnología en la educación permite a los estudiantes
ampliar sus conocimientos y habilidades en diversas materias, fomentando una
comprensión más profunda de conceptos complejos, la tecnología brinda a los
estudiantes un medio para acceder a una gran cantidad de información y recursos,
lo que les permite realizar investigaciones y recopilar datos de manera más
eficiente. Esto no solo mejora su pensamiento crítico y sus habilidades para
resolver problemas, sino que también los alienta a convertirse en estudiantes
independientes. Además, el aprendizaje basado en la tecnología equipa a los
estudiantes con habilidades esenciales de alfabetización digital que son cruciales
para su éxito futuro en el mundo moderno. Con la creciente dependencia de la
tecnología en varias industrias y profesiones, los estudiantes que dominen el uso
de la tecnología tendrán una ventaja competitiva en el mercado laboral.
A través de la tecnología, los estudiantes pueden desarrollar habilidades
como la codificación, la comunicación digital y el análisis de datos, que son muy
buscadas por los empleadores, la tecnología facilita experiencias de aprendizaje
personalizadas, ya que permite a los estudiantes adaptar su viaje educativo de
acuerdo con sus necesidades y preferencias individuales. A través de plataformas
en línea y software educativo, los estudiantes pueden participar en lecciones y
actividades interactivas que están diseñadas específicamente para adaptarse a sus
estilos y ritmo de aprendizaje únicos. Este enfoque personalizado no solo mejora
su motivación y compromiso, sino que también les permite comprender los
conceptos de manera más efectiva, el aprendizaje basado en la tecnología
promueve la colaboración y la comunicación entre los estudiantes.
Con la disponibilidad de plataformas y herramientas en línea, los
estudiantes pueden conectarse y colaborar fácilmente con sus compañeros,
independientemente de las fronteras geográficas. Esto fomenta un sentido de
conciencia global y comprensión cultural, ya que los estudiantes tienen la
oportunidad de interactuar con personas de diferentes orígenes y perspectivas. Los
proyectos colaborativos y las discusiones facilitadas por la tecnología también
promueven el trabajo en equipo y que son esenciales para el éxito tanto en el
ámbito académico como en el profesional.
• usar una variedad de medios para distinguir y articular problemas, así
como para resolver problemas prácticos en un contexto social;
• Adquirir y utilizar en su trabajo tres tipos de habilidades
interrelacionadas: saber hacer, comprender procesos y adquirir
conocimientos;
100
• Elegir opciones de riesgo, desarrollar múltiples soluciones a los
problemas, probar y mejorar, ser proactivo, trabajar en equipo,
responsabilizarse por los resultados y administrar los recursos de manera
eficaz y eficiente.
Mirándolo en términos de nuestras rutinas diarias, una tecnología en
particular puede verse como un sistema complejo y en constante cambio que
requiere que las personas integren hábilmente sus métodos de trabajo,
herramientas, maquinaria y conocimientos para satisfacer sus diversas
necesidades y deseos.
4.1 Orientación Tecnológica
Desde una perspectiva tecnológica, se trata de poder crear e interferir con
las diversas aplicaciones. Con respecto a una tecnología en particular, un hombre
y una mujer pueden relacionarse con ella desde diferentes puntos de vista, a saber:
• Como usuario, esa relación se caracteriza por un uso responsable de los
objetos y servicios.
• Como ingeniero, la relación se orienta hacia la producción de objetos y
servicios.
• Como innovador, como diseñador de nuevas aplicaciones nuevas formas de
interacción, nuevos productos y servicios.
Estas caracterizaciones no son mutuamente excluyentes, lo que significa
que una persona puede encarnar los tres roles: ser usuario, técnico e innovador.
Cada rol representa una forma distinta de interactuar con la tecnología. Sin
embargo, participar en estos roles requiere diversos conjuntos de conocimientos y
habilidades. Al explorar la tecnología a través de estas tres perspectivas, los
estudiantes no solo comprenderán las diversas posibilidades de su relación con la
tecnología, sino que también adquirirán una comprensión integral de la misma.
• Desde una perspectiva de uso, el programa está orientado hacia el uso
adecuado de los objetos y servicios y las nuevas capacidades de acción que
habilitan.
• Desde un punto de vista técnico, tiene como objetivo desarrollar las
competencias necesarias para intervenir en los procesos de producción y
funciones del producto.
・Desde un punto de vista innovador, nuestro objetivo es crear nuevas
funciones y diseños.
La comprensión de cómo se gestionan la información y la comunicación es
crucial en el contexto de la globalización, ya que tiene implicaciones directas
tanto a nivel local como global. Implica examinar las formas en que los
101
individuos y las sociedades acceden a la información, se comunican y participan
en nuevas formas de comercio.
4.2 Función del Software
El software ideal para la robótica no solo debe permitir a los estudiantes
experimentar con sus conocimientos teóricos, sino también alentarlos a
profundizar en el tema. Debe tener objetivos curriculares bien definidos y brindar
a los estudiantes la libertad de explorar y tomar la iniciativa, sin dejar de ser
guiados por su maestro. Este software debería jugar un papel crucial en la
enseñanza y preparación de los futuros profesionales en el campo de la robótica.
Mediante la simulación de un brazo robótico utilizando un programa
especializado, los estudiantes pueden determinar las trayectorias y la viabilidad de
sus diseños después de pasar por procesos teóricos y matemáticos. El papel del
educador es ayudar a los estudiantes a desarrollar métodos de trabajo efectivos
con herramientas de simulación, estableciendo una base de conocimientos
teóricos básicos que les permita continuar aprendiendo de forma independiente a
medida que aumenta la complejidad de la materia.
Además, como se adapta a cada individuo, es interactivo y fomenta la
creatividad, este estilo de aprendizaje permite a los estudiantes aprender a su
propia velocidad única de comprensión. La automatización y la robótica son dos
dominios tecnológicamente interconectados. En el ámbito de la industria, la
automatización abarca la utilización de sistemas mecánicos, electrónicos e
informáticos para supervisar y regular los procesos de producción. Una multitud
de tecnologías se encuentran bajo el paraguas de la automatización, incluidas las
líneas de transferencia, las máquinas de ensamblaje mecanizadas, los sistemas de
control de retroalimentación empleados en los procesos industriales, las máquinas
herramienta controladas numéricamente y los robots.
Estas tecnologías facilitan diversas operaciones, como la carga y descarga
de máquinas, la soldadura por puntos y la pintura en aerosol. Para facilitar estos
objetivos, el diseño del programa debe incluir ciertas características que permitan
una simulación efectiva. Por ejemplo, debería permitir el modelado rápido de
nuevas celdas de fabricación que forman parte de procesos automatizados que
involucran robots, debería permitir la evaluación de la eficacia de estas células
simuladas. A través de la simulación gráfica, el programa también debe demostrar
visualmente los diseños propuestos que se implementarán. Si bien existe una
amplia gama de robots diseñados para el trabajo industrial, su capacidad para
completar varias operaciones esenciales para la industria es limitada. Esta
limitación se deriva de su falta de capacidades sensoriales avanzadas, lo que les
impide ejecutar tareas que dependen de los resultados de acciones anteriores. Sin
102
embargo, existe la esperanza de un avance significativo en la robótica en un
futuro previsible. Este optimismo surge de la aparición potencial de cámaras de
televisión más pequeñas y rentables, junto con la disponibilidad de sistemas
informáticos más asequibles pero potentes. Los sensores se diseñarán
específicamente para tener la capacidad de medir y analizar con precisión el
espacio tridimensional completo en el que opera el robot.
Estos sensores tendrán la capacidad de identificar y medir la posición y
orientación precisas de los objetos dentro de este espacio, así como determinar sus
relaciones con el entorno circundante (McCarthy et al., 2006). Para procesar y dar
sentido a la gran cantidad de datos generados por estos sensores, se implementará
un sofisticado sistema de procesamiento sensorial. Este sistema poseerá el poder
computacional necesario para analizar e interpretar meticulosamente estos datos,
al mismo tiempo que los comparará con un modelo predeterminado para
identificar posibles errores o inconsistencias. Finalmente, para ejecutar tareas
complejas e intrincadas, se implementará un sistema de control para recibir
comandos de alto nivel y convertirlos en instrucciones procesables para el robot.
Este robusto sistema de control coordinará y dirigirá eficazmente los movimientos
y acciones del robot, permitiéndole realizar tareas que requieren un alto nivel de
sofisticación y precisión.
A medida que los componentes del robot continúan avanzando en sus
capacidades, se vuelve imperativo que los programas informáticos
correspondientes evolucionen para controlar de manera efectiva estos elementos.
Esto requiere el desarrollo de programas más intrincados y sofisticados que
puedan manejar adecuadamente la mayor complejidad del robot. Además, la
computadora en sí debe poseer capacidades de procesamiento mejoradas y
cumplir con los requisitos previos necesarios para procesar y responder
rápidamente a la gran cantidad de datos recibidos de los sensores del robot.
Cuando los estudiantes inician la unidad temática de Robótica, es importante
considerar sus conocimientos previos para facilitar un aprendizaje significativo.
Esto se puede lograr mediante la utilización de estrategias de enseñanza
específicas que conectan los resultados obtenidos del uso de software relevante,
con su conocimiento existente, al hacerlo, la experiencia de aprendizaje puede ser
cohesiva y dinámica, lo que permite una progresión fluida a lo largo de cada etapa
de la unidad. Vale la pena señalar que tanto las estrategias de enseñanza como las
de aprendizaje involucran el desarrollo de estrategias cognitivas y metacognitivas
que sirven como base para adquirir y producir información, resolver problemas y
monitorear el proceso de aprendizaje. De manera similar a cómo un estudiante
reflexivo considera cuidadosamente qué estrategia de aprendizaje usar en función
103
del contenido específico y la tarea en cuestión, un maestro estratégico planifica e
implementa meticulosamente estrategias de enseñanza durante el proceso de
instrucción.
Para Castro en 1999, el aprendizaje es visto como una forma de adquirir
conocimientos en entornos específicos. Un maestro estratégico no solo se enfoca
en el resultado final del aprendizaje, sino también en el proceso mismo. Al prestar
atención a este proceso, el docente puede fomentar la autorregulación en los
estudiantes. Esto implica el uso de estrategias cognitivas y metacognitivas, que se
alinean con el contenido del currículo y están interconectadas tanto de manera
vertical como horizontal. Este Espacio Curricular se enfoca en las habilidades
fundamentales necesarias para el éxito laboral. Estas habilidades incluyen: a) la
capacidad de pensar críticamente y analizar situaciones, b) la capacidad de
creatividad e investigación, c) la capacidad de trabajar eficazmente en equipo, d)
una actitud positiva hacia la innovación y los avances tecnológicos, e) un enfoque
científico a la toma de decisiones y resolución de problemas, f) entender cómo
adaptarse a los nuevos sistemas de trabajo y g) reconocer el valor de la formación
continua para el desarrollo profesional y la promoción profesional. Para lograr
estas habilidades, es importante: a) utilizar una metodología de enseñanza
constructivista que se base en el conocimiento previo y permita a los estudiantes
involucrarse activamente con el material, b) proporcionar experiencias de
aprendizaje prácticas que reflejen los procesos profesionales del mundo real, y c)
fomentar las relaciones interactivas entre estudiantes, profesores y el contexto
externo para facilitar una adquisición gradual y efectiva de nuevos conocimientos.
4.3 Aprendizaje con Robótica
La robótica es un campo tecnológico que se ha abierto camino en
numerosos aspectos de la vida humana. Tiene una amplia gama de aplicaciones en
industrias y también ha logrado avances en áreas como vuelos no tripulados,
exploración submarina, limpieza de piscinas y misiones espaciales. El campo del
entretenimiento también ha visto surgir varias creaciones robóticas, como Aibo de
Sony, que imita las cualidades de una mascota, robots que juegan al fútbol, robots
móviles y humanoides. Estos avances incorporan los últimos avances en
reconocimiento de sonido, síntesis de voz e inteligencia artificial. Yendo más allá
del ámbito médico, la utilización de robots programados en entornos domésticos
ha ganado importancia. Estos robots están diseñados para llevar a cabo una amplia
gama de tareas, liberando en última instancia a los humanos de estas
responsabilidades mundanas y permitiéndoles utilizar su tiempo de manera más
efectiva.
104
También, se están realizando importantes esfuerzos en este contexto para
desarrollar androides que puedan imitar el movimiento humano y realizar
acciones complejas como la manipulación de objetos. En el campo de la medicina
existen numerosas aplicaciones de robots que son operados a distancia por
médicos especializados, independientemente de su ubicación en el mundo. Estos
robots permiten a los cirujanos realizar procedimientos quirúrgicos con una
precisión excepcional a nivel microscópico. Este avance genera varios beneficios,
incluida una reducción en los costos asociados con los médicos que viajan para las
cirugías y una mayor precisión en las acciones quirúrgicas al eliminar factores
como los temblores en las manos, en el campo de los desarrollos macrobióticos,
se han logrado avances notables en la construcción de prótesis que reemplazan
eficientemente partes específicas del cuerpo humano.
Por el contrario, a lo largo de la historia, no es raro que la utilización de
robots, especialmente en el ámbito de la tecnología, tenga sus inconvenientes.
Estas deficiencias se atribuyen principalmente a la forma en que los humanos
emplean a los robots. Por ejemplo, el avance de los vuelos no tripulados ha
generado preocupaciones sobre la invasión de la privacidad de las personas, ya
que estas aeronaves pueden usarse para monitorear e interferir en la vida personal
de las personas, el despliegue de robots para la exploración espacial ha abierto la
puerta a la posibilidad de que los países los empleen como espías clandestinos, lo
que representa una amenaza para la seguridad nacional, el desarrollo de robots
humanoides ha introducido el potencial inquietante de la guerra robótica armada,
en la que las batallas se libran de forma remota mediante la manipulación de estas
máquinas, similar a lo que se observa comúnmente en los videojuegos.
Este problema multifacético destaca la necesidad de una implementación
responsable y ética de los robots para prevenir las consecuencias negativas que
pueden derivarse de su mal uso Esta afirmación sugiere que, al igual que
funcionan otras tecnologías, la educación debe asumir su papel de formadora,
distribuidora y potenciadora de esta particular área del conocimiento y de la
actividad humana de forma crítica, ética y responsable. El creciente
reconocimiento de las diversas formas en que se puede utilizar la robótica destaca
la necesidad apremiante de educar a los jóvenes en la comprensión, utilización,
examen, modificación, creación y ensamblaje de robots. Es crucial que posean la
competencia requerida para operar con eficacia cada una de estas herramientas
tecnológicas, al tiempo que fomentan habilidades de pensamiento crítico que les
permitan contemplar los beneficios y los inconvenientes asociados con su
utilización y adaptación en diversos entornos sociales.
105
Esta investigación está guiada por dos perspectivas distintas: la
adquisición de conocimientos en el campo de la robótica y la utilización de la
robótica como herramienta para el aprendizaje, estas perspectivas tienen en cuenta
la presencia de la tecnología, en concreto de la informática, que sirve para
potenciar y facilitar las diversas propuestas educativas en este ámbito. El proceso
de aprendizaje en robótica se aborda desde un punto de vista dinámico, que
involucra el diseño, construcción y explicación de tecnohechos como lo describe
Gallego-Badillo en 1998. En otras palabras, es un ejercicio de creación y
construcción de conocimiento. Por otro lado, el aprendizaje con robótica se ve
como el proceso de creación de un entorno (que combina robótica e informática)
que estimula y da un propósito al aprendizaje colaborativo en varias disciplinas
académicas.
A mediados de los noventa, hubo un aumento significativo en la
utilización de diferentes tipos de plataformas de aprendizaje que estaban
respaldadas por robots. Esto llevó a que se ofreciera una amplia gama de cursos
de robótica en universidades y colegios, lo que a su vez resultó en la
diversificación de las oportunidades educativas. Al mismo tiempo, surgió un
nuevo campo de investigación y desarrollo, que desde entonces se conoce como
Robótica Educativa, como lo afirmó Kumar en 2004. Simultáneamente, las
empresas también están asumiendo la responsabilidad de crear materiales
complementarios que se puedan utilizar en las aulas. Por ejemplo, Lego ha
desarrollado Lego MindStorms, una plataforma en línea que ofrece recursos
educativos para estudiantes. De manera similar, VexRobotics ha presentado VEX
Robotics, un recurso en línea que brinda materiales de apoyo para las actividades
en el aula.
Ataos ha desarrollado Ata Epe, una plataforma en línea que promueve un
enfoque pedagógico de la ciencia y la tecnología. Esta iniciativa ha sido avalada
por el grupo de investigación “El aprender y la enseñanza” de la Escuela
Experimental Pedagógica de Bogotá, Colombia. En su análisis sobre la robótica
educativa, Jacek Malec en el 2001 distingue entre dos categorías: “Robótica en la
educación” y “Robótica para la educación”. Esta clasificación examina cómo se
utilizan los robots tanto para enseñar robótica como para mejorar la experiencia de
aprendizaje en diferentes materias, el estudio investiga varias experiencias
relacionadas con la robótica educativa para determinar la importancia de la
tecnología informática en el proceso de aprendizaje e interacción con los robots.
La robótica, al ser una tecnología avanzada, abarca tanto la comprensión
teórica como la aplicación práctica de los robots. Esto implica la utilización del
conocimiento de diversos campos para crear, fabricar, ensamblar e iniciar la
106
operación de un robot que sirve a un objetivo particular, el campo de la robótica
abarca varias áreas de contenido dentro de la educación tecnológica, que incluyen
electricidad, electrónica, mecánica, energía, sensores y tecnología de la
información. Por lo tanto, es importante considerar estos aspectos al desarrollar un
plan de estudios de robótica para estudiantes. Mediante el análisis de diferentes
artículos como los de Xudon y Weinberg en 2003, se pueden identificar los temas
clave que deben cubrirse en la educación en robótica.
Estos temas pueden incluir la historia de la robótica, diferentes tipos de
robots, el papel de los sensores, el concepto de retroalimentación y sistemas
dinámicos, sistemas de control y automatización. Cabe señalar que la robótica es
un campo multidisciplinario, como lo destacan Maxwell y Meeden en el 2000, ya
que incorpora conocimientos de mecánica, inteligencia artificial,
telecomunicaciones y computación. Este enfoque interdisciplinario permite el
diseño y la construcción de robots. Hay dos enfoques principales para aprender
sobre robótica: comenzar con la conceptualización de la robótica o comenzar con
el diseño y construcción de dispositivos robóticos. En ambos casos, el uso de
software de diseño y simulación de robots es fundamental, la aplicación de
estrategias de aprendizaje efectivas es importante para fomentar la motivación y el
compromiso de los estudiantes en el estudio y aprendizaje de la robótica.
Según la definición proporcionada por el Instituto de Robótica de América
(RIA) en 1996, un robot se describe como un manipulador versátil y adaptable
que está específicamente diseñado para ejecutar una amplia gama de funciones.
Estas funciones incluyen principalmente el movimiento de diferentes materiales,
piezas, herramientas o dispositivos especializados a través de movimientos
predeterminados y ajustables, todo con el objetivo final de realizar diversas tareas.
Esta definición enfatiza los atributos esenciales de un robot, destacando su
capacidad para ser reprogramado según sea necesario y su capacidad para realizar
una multitud de funciones, mostrando en última instancia el importante papel que
desempeñan los robots en diversas industrias y sectores.
En consonancia con la perspectiva de Freedman, la propuesta de
aprendizaje de la robótica debería abarcar el examen de varios componentes que
componen un robot y pueden considerarse como sus subsistemas. En
consecuencia, se vuelve imperativo adquirir conocimientos sobre la estructura y
los subsistemas de movimiento del robot, ya que constituyen la base de su
funcionamiento y facilitan la exploración y comprensión de los distintos
elementos dentro de las secciones operativas y de control del robot . También es
fundamental profundizar en el examen de diversos tipos de actuadores, sensores,
107
transductores y otros mecanismos que permiten al robot interactuar con el entorno
que lo rodea.
La incorporación de los subsistemas de energía, sensoriales, lógicos, de
control y de programación en robótica es esencial ya que trabajan en conjunto
para cumplir con el propósito previsto del robot. Estos subsistemas permiten que
el robot aborde de manera efectiva la necesidad o el problema específico para el
que fue diseña. Además, el proceso de diseño, creación y puesta en marcha de un
robot ofrece oportunidades invaluables para adquirir conocimientos y experiencia
en diversos aspectos de la robótica, incluida la manipulación de robots, la visión
artificial, la inteligencia artificial y la mecatrónica. Para enseñar conceptos de
robótica, los educadores han utilizado kits especializados diseñados
específicamente para este propósito.
Un ejemplo notable de un kit de este tipo es Lego Mindstorms, que es una
plataforma Lego comúnmente utilizada en entornos educativos. Galván en 2006
analiza la utilización de esta plataforma para enseñar a los estudiantes sobre el
diseño y control de sistemas de manipulación fijos. El plan de estudios implica
que los estudiantes diseñen, construyan y programen un manipulador robótico
utilizando el kit Lego Mindstorms. De manera similar, la Universidad de Lund en
Suecia ofrece cursos para estudiantes que utilizan la placa base LEGO 6270. Esta
plataforma permite a los estudiantes controlar motores, utilizar sensores y
programar el robot, facilitando así el aprendizaje de conocimientos básicos de
robótica y metodologías de diseño.
La estrategia para involucrar a los estudiantes en el estudio de la robótica y
promover la reflexión ética en su desarrollo y uso es tan crucial como seleccionar
la plataforma de trabajo adecuada. Para lograr esto, se pueden emplear varios
enfoques innovadores, como discutir artículos sobre robótica de revistas o
periódicos actuales, ver videos y películas relacionados con la robótica y,
posteriormente, participar en debates reflexivos sobre la intersección de la
realidad y la ficción en este campo. Al proponer un método para la enseñanza de
la robótica, se debe considerar cómo abordar el proceso de aprendizaje. Esto
implica planificar las diversas actividades, recursos y medios que se utilizarán en
el aula, es importante determinar la cantidad adecuada de tiempo necesario para
cada actividad y establecer objetivos claros para cada área de estudio y tema.
Para determinar la metodología más efectiva, los educadores a menudo
recurren al aprendizaje colaborativo, el aprendizaje lúdico y el aprendizaje basado
en problemas. El aprendizaje colaborativo implica que los estudiantes trabajen
juntos para resolver problemas y compartir conocimientos. El aprendizaje lúdico
enfatiza el uso de juegos y actividades interactivas para involucrar a los
108
estudiantes en el proceso de aprendizaje. Por último, el aprendizaje basado en
problemas se centra en presentar a los estudiantes problemas del mundo real para
resolver, fomentando el pensamiento crítico y las habilidades de resolución de
problemas. La integración de estas tres estrategias depende de las competencias
que deben mejorarse, el contenido que debe crearse y los recursos que son
accesibles para la institución educativa.
En esencia, la conceptualización en robótica abarca la comprensión
general de un robot como la culminación de varios subsistemas que trabajan
juntos, independientemente del tipo específico de robot que se esté investigando.
Esta comprensión permite un enfoque más guiado y completo para diseñar y
construir un robot en particular. Igualmente, el aspecto de conceptualización
también abarca la participación de varios otros dominios de conocimiento para
proporcionar una explicación científica completa sobre el funcionamiento del
robot. Es crucial considerar estos diversos campos para tomar decisiones
informadas al seleccionar las plataformas robóticas apropiadas para utilizar, la
conceptualización juega un papel importante en la formulación de una estrategia
pedagógica eficaz que fomente el entusiasmo de los estudiantes y los aliente a
profundizar en el campo de la robótica.
Otra forma de adquirir conocimientos sobre robots es a través del proceso
de diseño, construcción y operación de un robot mientras se estudian
simultáneamente los conceptos fundamentales necesarios para estas acciones
(Nemorin, 2021). Este enfoque implica la integración del conocimiento, donde las
ideas se transforman en objetos tangibles y la información adquirida se utiliza
para justificar la selección de componentes específicos dentro del robot y
dilucidar su funcionamiento. Hay numerosos tipos de robots que se pueden
construir, incluidos robots industriales, vehículos aéreos, vehículos terrestres y
vehículos submarinos. De 1999 a 2004, el laboratorio de sistemas robóticos de la
Universidad de Santa Clara en Silicon Valley, California del Norte, vio el
desarrollo de este tipo de proyectos de robótica por parte de equipos
interdisciplinarios (Marcus y Davis, 2019).
Estos equipos estaban formados por jóvenes de varios niveles, programas
y disciplinas académicas. Estas experiencias validan la noción de que la
educación en robótica es un proceso interdisciplinario que fomenta el trabajo en
equipo y el aprendizaje colaborativo. Esto se logra a través de la integración de
diversos equipos que se involucran en tareas relacionadas con el diseño,
construcción y prueba de sus robots. El proceso de integración del conocimiento
se logra a través de un enfoque construccionista, como se ve en el desarrollo de un
robot pez por Xiaobo. Este enfoque innovador permite a los estudiantes aprender
109
activamente al participar en actividades prácticas y realizar investigaciones sobre
varios aspectos de la comunicación inalámbrica.
A lo largo del proceso, los estudiantes obtienen información valiosa sobre
temas como la fuerza, la navegación, la comunicación y los sensores, todos los
cuales se integran a la perfección en la construcción del robot. El pez robot tiene
múltiples propósitos, incluida su capacidad para operar en entornos submarinos
desafiantes, monitorear los alrededores y controlar sus movimientos mediante el
control de radio inalámbrico, este proyecto también implica la creación de una
interfaz gráfica de usuario (GUI) que permite a los usuarios monitorear y
controlar las acciones del robot, según lo documentado por Turkle y Papert en
1992. Simultáneamente a la construcción de la plataforma, se plantea la idea de
incorporar la robótica. Para ilustrar esto, se diseña un juego llamado Marco Polo,
en el que un robot persigue y busca a los evasores que reciben actualizaciones
esporádicas sobre su paradero. Este juego se desarrolla dentro de un marco
educativo, lo que permite a los estudiantes explorar los principios de la robótica a
través de actividades divertidas.
En el artículo titulado "Robots y educación en el aula y en el museo"
publicado en 2002, el autor Nourbakhsh presenta un concepto intrigante conocido
como Insect Telepresence. Este novedoso invento, ubicado en el Museo Carnegie
de Historia Natural, implica la creación de un robot diseñado para parecerse a un
insecto. El objetivo principal de esta maravilla tecnológica es permitir que los
visitantes del museo se sumerjan en el cautivador mundo de los insectos a través
de un recorrido virtual. A través de los ojos de esta diminuta criatura robótica, las
personas pueden explorar intrincados hábitats de insectos y obtener una
comprensión más profunda de los fenómenos observados, gracias a las
explicaciones detalladas proporcionadas durante el viaje. Al cerrar la brecha entre
los humanos y los insectos, el robot Insect Telepresence mejora efectivamente la
experiencia educativa para los visitantes del museo.
En su publicación de 2007, Maxwell comparte su amplia experiencia en el
campo de la robótica y se centra específicamente en el desarrollo de robots
capaces de interactuar con humanos en entornos del mundo real. Estos robots en
particular fueron diseñados con la intención de participar en las prestigiosas
exhibiciones y competencias de robótica organizadas por la Asociación
Estadounidense de Inteligencia Artificial. El relato de Maxwell arroja luz sobre el
papel crucial de la planificación meticulosa para lograr con éxito el objetivo final
de construir un robot resistente y fiable, el autor destaca el notable nivel de
conocimientos y habilidades adquiridos por los estudiantes involucrados en este
esfuerzo, enfatizando aún más el valor educativo de esta experiencia.
110
Estas experiencias recientes nos han permitido ser testigos del importante
impacto que puede tener una propuesta de método de aprendizaje de los conceptos
fundamentales de la robótica. Además, estas experiencias han demostrado el
proceso de aprendizaje de la robótica a través de la construcción de un robot, y un
hilo común entre ellas es la importancia de planificar cuidadosamente la
construcción del robot utilizando una metodología específica. Para ilustrar, un
equipo de la Universidad de Texas, desarrolló el robot BlastyRas y siguió una
serie de pasos en el proceso: realizar una evaluación de necesidades, diseñar la
estructura básica del robot, construir un prototipo inicial y evaluar el diseño. La
etapa de evaluación es crucial ya que puede conducir a la reconstrucción o
reevaluación de las necesidades iniciales, lo que lleva a la repetición del proceso
hasta lograr el producto final.
El proceso de diseño y construcción de robots implica la gestión eficaz de
los diversos recursos necesarios para su construcción. Estos recursos incluyen
elementos básicos como motores, sensores y dispositivos electrónicos. Estos
componentes pueden adquirirse reciclando partes de computadoras, impresoras,
escáneres y otros dispositivos. Por otro lado, el aspecto de control de la creación
de robots requiere la utilización de circuitos más complejos. Esto requiere un
conocimiento profundo de la electrónica para diseñar el circuito, preparar su
forma, ensamblar los diferentes elementos y garantizar su correcto
funcionamiento. La propuesta para el aprendizaje de la robótica debe delinear los
componentes esenciales que se requieren para mejorar las habilidades de los
estudiantes, incluidas las habilidades para tomar decisiones informadas basadas en
el conocimiento, generar explicaciones científicas y fomentar el trabajo en equipo
efectivo.
Es fundamental establecer estos componentes fundamentales, dando
espacio a la institución para emprender proyectos de construcción en función de
sus recursos. Estos proyectos pueden variar desde los elementos más simples pero
cruciales del proceso hasta los más avanzados que sean factibles dentro de los
medios disponibles. Esto se puede lograr utilizando piezas electromecánicas
recicladas o adquiriendo kits de robótica ya disponibles en el mercado. En
resumen, se puede lograr una comprensión integral de la robótica a través de la
experiencia práctica de construir un robot. Cuando se trata de educación superior,
este objetivo se cumple reuniendo a diversos equipos de expertos en ingeniería de
sistemas, electrónica y mecánica de varios niveles y programas para colaborar en
proyectos innovadores.
La promoción de las habilidades de trabajo en equipo, la toma de
decisiones basada en el conocimiento y la comprensión científica de los avances
111
tecnológicos deben enfatizarse en los niveles de escuela primaria, secundaria y
media, el robot se construye de acuerdo con un proceso específico de
planificación, construcción y verificación. Estos proyectos permiten la promoción
e implementación del pensamiento sistémico al considerar cada componente del
robot, su propósito individual y la sinergia general lograda a través de su
operación. Conjuntamente, este proceso permite la correlación explícita entre la
experiencia de construir el robot y la explicación científica detrás de su
funcionalidad. Esto supera el mero entrenamiento de individuos para ensamblar
objetos tecnológicos y en cambio facilita la aplicación de conocimientos
tecnológicos basados en teorías científicas. En última instancia, este enfoque
fomenta el diseño y la construcción de soluciones innovadoras a problemas
significativos que los estudiantes encuentran en su vida diaria.
La integración de la robótica en el aula brinda una oportunidad para que
los estudiantes profundicen en la automatización de la tecnología de la
información. Sin embargo, también ofrece una vía única para explorar otras áreas
del conocimiento. Al interactuar con objetos tangibles y cautivadores como los
robots, los estudiantes se entusiasman más con su experiencia de aprendizaje. Con
los recursos, la metodología y la planificación cuidadosa adecuados, la robótica
puede inspirar de manera efectiva a los estudiantes para que comprendan
conceptos que, de otro modo, serían difíciles de comprender y aburridos de
estudiar. Los puntos anteriores proporcionan una base para la utilización de robots
en entornos educativos como medio para adquirir conocimientos en diversas
disciplinas.
En consecuencia, se vuelve imperativo introducir una iniciativa de
robótica educativa para la educación primaria y secundaria que se alinee con un
enfoque pedagógico. Este enfoque debe abarcar elementos como el entorno de
aprendizaje, la planificación de actividades, la asignación de recursos, la gestión
del tiempo y la metodología empleada durante el proceso de aprendizaje. Al
incorporar estos aspectos al modelo pedagógico, se asegura que los estudiantes se
involucren en la construcción y reconstrucción del conocimiento. Cuando se trata
de aprender con robótica, el enfoque generalmente involucra el aprendizaje
basado en proyectos, lo que permite a los estudiantes mejorar sus habilidades en
diseño, planificación, trabajo en equipo y resolución de problemas. Asimismo,
fomenta el desarrollo de la creatividad entre los participantes del proyecto.
Las actividades diseñadas para promover el aprendizaje a través de la
robótica implican la aplicación de teorías educativas como el constructivismo de
Piaget y el construccionismo de Papert. El constructivismo de Piaget enfatiza que
el conocimiento no es simplemente dado a los estudiantes por los maestros, sino
112
que los mismos estudiantes lo construyen activamente. De acuerdo con esta teoría,
los niños no solo reciben ideas pasivamente, sino que participan activamente en el
proceso de elaboración y desarrollo de su propia comprensión. Por otro lado, el
construccionismo de Papert sugiere que los estudiantes están muy motivados
cuando tienen la oportunidad de construir algo tangible, ya sea un robot, un
poema, un programa de computadora o una teoría científica. Esta experiencia
práctica permite a los alumnos reflexionar sobre sus creaciones y compartir sus
conocimientos con los demás.
En pocas palabras, según Papert en 1995, el construccionismo, que es mi
propia interpretación del constructivismo, se centra más en el concepto de
construcción mental en comparación con otras ideologías educativas. Esta
doctrina otorga gran importancia al papel que pueden tener las construcciones en
el mundo, particularmente en ayudar al desarrollo de las ideas generadas en la
mente. Por lo tanto, adopta una perspectiva menos mentalista. La aplicación de
estas teorías del aprendizaje tiene como objetivo cultivar un enfoque holístico del
pensamiento, facilitar el crecimiento cognitivo, fomentar el desarrollo del
razonamiento científico y mejorar las capacidades creativas e investigativas de los
estudiantes, la incorporación de la robótica en los proyectos de enseñanza y
aprendizaje puede servir como catalizador de innovación y transformación en la
mentalidad y las acciones tanto de docentes como de estudiantes.
Las investigaciones subrayan la importancia de utilizar recursos
tecnológicos en el aprendizaje basado en proyectos, con especial énfasis en los
resultados deseados. Estos resultados abarcan el desarrollo de habilidades
cognitivas, sociales y tecnológicas, así como el nivel de comprensión que los
estudiantes deben alcanzar a lo largo del proyecto. En este estudio particular
realizado por Acuña en 2006, se implementa el enfoque educativo del
construccionismo. La investigación utiliza una estrategia de aprendizaje por
proyectos, en la que estudiantes de los tres ciclos de la Educación General Básica
(EGB) de Costa Rica se dedican a diseñar, construir y programar prototipos como
solución a diversos problemas de investigación. El estudio tiene como objetivo
evaluar el progreso de los estudiantes en términos de su capacidad para diseñar y
crear con éxito prototipos funcionales, trabajar en equipo de manera efectiva y
desarrollar sistemas de control automatizados.
Para apoyar la metodología educativa, la informática incorpora la
utilización de recursos tecnológicos avanzados. Un ejemplo notable es la
utilización de entornos virtuales para interactuar con robots móviles, como se
muestra en el estudio de Pérez realizado en 2004. Este estudio en particular tenía
como objetivo fomentar el desarrollo de diversas formas de pensamiento y
113
mejorar el crecimiento cognitivo en estudiantes de 5 a 12 años. Al emplear teorías
del aprendizaje como el constructivismo, la holística y la metacognición, el
objetivo fue facilitar la adquisición de conocimientos y promover experiencias de
aprendizaje efectivas entre estos jóvenes. También, se enfatiza la importancia de
la robótica para cerrar la brecha entre los diferentes campos del conocimiento y
fomentar la utilización del pensamiento holístico para establecer entornos
educativos que ofrezcan un nivel sustancial de motivación.
En consecuencia, involucrarse con la robótica facilita un enfoque
interactivo e inspirador hacia el desarrollo del conocimiento en diversas materias,
incluidas las matemáticas, la ciencia, las ciencias sociales y la tecnología, por
nombrar algunas. En cuanto a los recursos tangibles para incorporar la robótica en
las aulas, numerosas empresas están desarrollando activamente herramientas
innovadoras. Por ejemplo, Lego ha diseñado una variedad de ofertas que incluyen
la placa base Lego 6270, los robots Lego, Lego MindStorms, Lego NTX y
Topobo. Estos recursos sirven como activos valiosos para los educadores,
permitiéndoles enseñar una amplia gama de temas a nivel universitario,
incluyendo inteligencia artificial, agentes inteligentes, visión artificial y lenguajes
de simulación (Plestina, Turic y Papic, 2007). Al utilizar estos recursos de
vanguardia, los estudiantes pueden profundizar en diversas áreas de estudio y
adquirir conocimientos prácticos en el campo de la robótica.
La robótica proporciona una vía para que los estudiantes obtengan una
comprensión integral de varias áreas temáticas. Al participar en la robótica, los
estudiantes no solo pueden comprender los conceptos fundamentales, sino
también ser testigos de primera mano de cómo estos conceptos se pone en
práctica. Por ejemplo, la robótica se puede utilizar como una herramienta para
estudiar las complejidades del hardware y software del sistema de control. Este
tipo de aplicaciones sirven como referencias valiosas para evaluar los niveles
potenciales de aprendizaje que se pueden alcanzar en la educación secundaria
básica y media, asegurando al mismo tiempo un equilibrio entre profundidad y
rigor. Un ejemplo notable de esto es en el campo de la biología, donde Miglino y
su equipo de Lego crearon una aplicación innovadora que involucra robots que
imitan organismos artificiales.
A través de la utilización de las teorías de Piaget, estos robots se
transformaron en herramientas de enseñanza efectivas, brindando a los estudiantes
experiencias prácticas de aprendizaje. Los estudiantes construyeron robots que
imitaban las acciones y características de los animales. Esto les permitió examinar
y mejorar su comprensión de la teoría de la evolución de Darwin mediante la
manipulación de varios procesos, como la selección, la reproducción y la
114
mutación. Además, también exploraron la intrincada relación entre la estructura
física del robot y sus capacidades cognitivas. En varios países de América Central
y del Sur, la robótica juega un papel importante en el refuerzo y refuerzo de los
valores éticos durante las etapas educativas inicial y secundaria.
Un programa notable conocido como Con-ciencia, presentado por Bers y
Urrea en 2000, emplea kits de robótica Lego Mindstorms para facilitar la fusión
perfecta de enseñanzas religiosas y tecnológicas. El objetivo final de este
programa es fomentar un sentido de moralidad y ética entre los estudiantes, lo
cual se logra a través de esfuerzos colaborativos que involucran a los estudiantes,
sus familias y educadores. Otro ejemplo de fusión de conocimientos científicos,
informáticos y tecnológicos se puede observar en un esfuerzo notable destinado a
comprender el medio ambiente y aprovechar la energía solar. Esta iniciativa
involucró la creación de un dispositivo robótico diseñado específicamente para
evaluar el nivel de contaminación en un distrito designado de Bogotá, Colombia,
demostrando efectivamente cómo la robótica sirve como catalizador para la
integración perfecta de varios campos del conocimiento.
El uso de robots Lego Mindstorm ha facilitado el aprendizaje de diversos
conceptos matemáticos como números, geometría, colores y robótica en talleres
realizados con niños pequeños en Boyacá, Colombia. Estos talleres han
demostrado ser efectivos para involucrar a estudiantes de preescolar y primaria en
la educación matemática. De manera similar, en Yucatán, México, el plano
cartesiano se enseña mediante la utilización de robots Lego y scratch. Al
programar el robot y animar objetos en la pantalla de la computadora, los
estudiantes pueden participar activamente en ejercicios de posicionamiento en el
avión, mejorando su comprensión de este concepto matemático. Incorporar la
robótica en la educación puede servir como una herramienta poderosa para
inspirar y unir varios campos del conocimiento.
Esto se puede lograr mediante la utilización de plataformas robóticas
disponibles en el mercado o mediante la construcción de robots que utilicen
componentes nuevos o reutilizados. Cabe señalar que el entusiasmo que se genera
en los niños y jóvenes también puede extenderse a sus padres, ya que se pueden
desarrollar actividades amenas para introducirlos en la tecnología y facilitar su
aprendizaje en determinadas materias, con el apoyo de sus hijos. La robótica
puede servir como una herramienta valiosa para la educación, particularmente
para ayudar a los niños y jóvenes a superar los obstáculos para el aprendizaje. Al
despertar su curiosidad y brindarles experiencias prácticas, la robótica puede
facilitar el proceso de adquirir y reforzar el conocimiento. Igualmente, ha
demostrado ser beneficiosa para los niños con necesidades educativas especiales,
115
ya que permite la detección temprana de desafíos y brinda apoyo específico para
superarlos, la robótica puede promover la inclusión al crear oportunidades para
que las comunidades marginadas participen en el aprendizaje y la utilización de
esta tecnología innovadora.
Durante el proceso de formación, la incorporación de actividades de
robótica en el aula facilita el cultivo de habilidades en los estudiantes,
permitiéndoles explorar, analizar y tomar decisiones informadas sobre diversas
tecnologías. Esto no solo fomenta el pensamiento crítico, sino que también anima
a los estudiantes a adaptar y modificar estas tecnologías para satisfacer sus
necesidades. En consecuencia, instiga discusiones entre los estudiantes sobre las
implicaciones éticas que rodean el uso de estos avances tecnológicos. Estas
discusiones abarcan las ventajas y el impacto positivo que estas tecnologías tienen
en el bienestar humano, ya que están diseñadas para satisfacer nuestras
necesidades. Simultáneamente, se examinan las consecuencias negativas, como la
posibilidad de uso indebido, deterioro y daño que pueden surgir cuando estas
tecnologías se crean o utilizan de manera poco ética.
Las plataformas robóticas, tanto en términos de hardware físico como de
software, están diseñadas con un propósito específico en mente. Estas plataformas
permiten la creación de entornos de aprendizaje inmersivos en las aulas, con el
objetivo principal de enseñar a los estudiantes cómo construir y programar robots.
Al utilizar estas plataformas, los educadores pueden optimizar la experiencia de
aprendizaje, ya que pueden determinar los tipos y cantidades exactos de recursos
necesarios para lograr los resultados de aprendizaje deseados para cada
experiencia única en el aula. La adquisición de conocimientos se potencia
mediante el uso de plataformas robóticas asequibles, que ahora son accesibles a
las instituciones educativas. Estas plataformas han permitido integrar una gama
más amplia de experiencias en el aprendizaje en el aula. Para ilustrar esto,
Weinberg y Xudong han compartido sus experiencias con la plataforma Lego
RCX, una creación del MIT. De manera similar, Shuying, Zhao y otros también
han utilizado la plataforma Lego para explorar el movimiento y posicionamiento
de los robots.
Una implementación práctica adicional implica el avance de hardware y
software diseñado específicamente para plataformas robóticas. Esta innovación
permite la utilización de sistemas dinámicos para mejorar la comprensión de
varios principios físicos como la masa, la inercia y la fricción. A través del
proceso de modelado y análisis de sistemas dinámicos, los individuos pueden
profundizar en el estudio de estos conceptos. Estos sistemas consisten en
plataformas versátiles que están equipadas con varios sensores, lo que les permite
116
recopilar datos que luego se analizan utilizando aplicaciones de Matlab, estas
plataformas robóticas sirven como herramientas valiosas para fines de
capacitación, al mismo tiempo que abordan los objetivos educativos y de
investigación establecidos en el desarrollo del curso.
Se han desarrollado una variedad de herramientas educativas para
diferentes niveles escolares y para áreas específicas de conocimiento. Sin
embargo, la eficacia del uso de estas herramientas depende en gran medida de la
formación que se proporcione a los profesores. Es fundamental que los docentes
reciban una orientación adecuada sobre cómo planificar e implementar
actividades que incorporen estas herramientas en el proceso de aprendizaje. Al
hacerlo, los estudiantes pueden participar activamente en la construcción del
conocimiento a través de varias materias dentro del plan de estudios. Por último,
existe una falta de infraestructura y recursos dentro de las instituciones
educativas. Para implementar con éxito sistemas de robótica e incluso automatizar
ciertos procesos, es crucial dotar a las escuelas de los recursos necesarios.
Sin embargo, las instituciones educativas a menudo enfrentan el desafío de
los altos costos asociados con la adquisición de los elementos necesarios para la
automatización de procesos. Por lo tanto, es esencial asignar los recursos
necesarios para garantizar que las escuelas cuenten con los medios para
implementar la educación en robótica de manera efectiva. La utilización de las
tecnologías de la información en el desarrollo y aplicación de la robótica no es un
concepto ajeno. El ámbito del aprendizaje dentro de la robótica abarca una amplia
gama de técnicas, que incluyen simuladores para el movimiento de robots,
tutoriales multimedia, laboratorios virtuales y remotos, así como la utilización de
Internet y el intercambio de recursos a través de redes informáticas.
El campo de la ingeniería informática y de software ha tenido un gran
impacto en la educación, particularmente en el ámbito del desarrollo de software
con fines educativos. Esto ha llevado a la creación de aplicaciones de simulación
y tutoriales que facilitan a los estudiantes el estudio de los aspectos mecánicos de
los robots. A través del software se puede recrear la producción, transmisión y
transformación de los movimientos de los robots, como lo demuestra Raz en
1989. Los estudiantes ahora tienen la oportunidad de aprender sobre los
movimientos de los robots de manera más eficiente utilizando simuladores como
GRS (Graphic Robot Simulator) y mediante el desarrollo de interfaces gráficas de
usuario (GUI) para el monitoreo y control de robots, como lo discutió Xiaobo en
2006.
Los laboratorios virtuales y el software multimedia se han convertido en
herramientas valiosas en la enseñanza de la dinámica y el control de procesos, el
117
uso de software multimedia ha demostrado ser beneficioso para ayudar a los
estudiantes a comprender las complejidades de la dinámica y el control de
procesos. La Universidad de Buenos Aires en Argentina utiliza técnicas
informáticas en el campo de la robótica, específicamente en su Laboratorio de
Informática Educativa y Medios Audiovisuales. En un proyecto centrado en fines
educativos, los investigadores de la universidad han desarrollado un software que
permite a los estudiantes simular el proceso de diseño de un brazo robótico. A
través de esta simulación, los estudiantes pueden ingresar varias características
elementales del brazo robótico, incluido el tamaño del brazo y el antebrazo, el tipo
de articulaciones y los grados de rotación en ambas direcciones.
Este enfoque innovador para el aprendizaje de la robótica no solo mejora
la comprensión del tema por parte de los estudiantes, sino que también les permite
adquirir experiencia práctica en el diseño de estructuras robóticas. Una aplicación
adicional de la informática es la creación de plataformas virtuales diseñadas
específicamente para la educación en robótica. Estas plataformas se han
desarrollado como una solución a los diversos desafíos que enfrentan los sistemas
robóticos físicos, como los altos costos, la disponibilidad limitada de equipos, las
complejidades técnicas, los entornos de trabajo inflexibles y las limitaciones de
tiempo. Estas plataformas virtuales brindan a los investigadores la oportunidad de
explorar áreas como la realidad virtual y el diseño asistido por computadora, que
se pueden aplicar al modelado y la simulación virtuales.
Estas plataformas permiten a los estudiantes participar en experiencias
prácticas de aprendizaje relacionadas con la robótica móvil, ya que pueden diseñar
algoritmos y probarlos en robots reales, estos recursos se pueden utilizar en el
desarrollo de entornos educativos con fines de aprendizaje a distancia, con el fin
de mejorar la enseñanza y el aprendizaje de la robótica en los entornos de
educación tradicional y en línea, es imperativo examinar y evaluar
minuciosamente las diversas aplicaciones disponibles y determinar su idoneidad
para su implementación en los niveles de educación secundaria básica y media.
La aplicación de software en el campo de la educación, específicamente en
la enseñanza de conceptos en diversas materias, ha sido ampliamente explorada.
En el ámbito de la física, este software se ha utilizado para desarrollar plataformas
robóticas que pueden adquirir, analizar y controlar información, lo que facilita el
aprendizaje y la aplicación práctica de los principios físicos como la óptica, las
ondas sonoras, las leyes de los gases y el ultrasonido, aparte del software, también
se han diseñado componentes de hardware para soportar la implementación de
estas plataformas, han creado con éxito computadoras portátiles integradas con
118
software interactivo, con el objetivo de establecer una conexión entre el plan de
estudios, los entornos de programación y las plataformas robóticas.
Esta integración no solo ayuda a los maestros a enseñar robótica de
manera efectiva, sino que también los libera de la carga de tener experiencia en
programación, robótica y estrategias de aprendizaje. De manera similar, las redes
informáticas se diseñaron inicialmente con el propósito de compartir recursos. A
medida que se hicieron avances en el campo de la tecnología, los laboratorios de
acceso remoto se hicieron realidad. Este desarrollo ha demostrado ser muy
ventajoso, ofreciendo una solución al problema de los materiales caros. Al
proporcionar la infraestructura necesaria, las redes informáticas permiten la
configuración y modificación de experimentos, lo que permite compartir recursos
entre dos instituciones. Esto no solo reduce los costos, sino que también amplía el
rango y la variedad de experiencias disponibles para los estudiantes. Un ejemplo
notable de esto es Netrolab, un laboratorio remoto que fue creado en colaboración
por "La Universidad de Reading" y "la Universidad de Nottingham" en 1997.
El avance de metodologías y propuestas educativas para la educación en
robótica abarca dos aspectos clave: el aspecto tecnológico, que implica utilizar
herramientas tecnológicas para simplificar el rol del docente, y el aspecto
pedagógico, que se enfoca en implementar enfoques y estrategias pedagógicas
efectivas que se alineen con las necesidades y expectativas del sistema educativo.
La utilización de la tecnología de la información permite la facilitación de una
herramienta altamente adaptable como la computadora. Sirve como un
intermediario que facilita efectivamente la implementación de diversas estrategias
de aprendizaje. Esto es posible gracias a la integración de software que no solo
motiva a los estudiantes a utilizar recursos, sino que también resuelve desafíos de
forma colaborativa utilizando tecnología robótica avanzada.
Una propuesta educativa enfocada en robótica tiene el potencial de
potenciar el desarrollo de habilidades cívicas y laborales cruciales. Va más allá
del rol básico de meros ensambladores que simplemente siguen instrucciones para
crear un producto final y, en cambio, tiene como objetivo inculcar en los
estudiantes la capacidad de tomar decisiones informadas basadas en su
comprensión de los principios científicos detrás de la tecnología que están
construyendo. Este enfoque garantiza que los estudiantes no solo aprendan sobre
robótica, sino que también reciban una formación científica y tecnológica integral.
La incorporación de conocimientos y técnicas informáticas abre nuevos caminos
para las plataformas dinámicas de aprendizaje. Estas plataformas se pueden
utilizar tanto para actividades presenciales como virtuales, lo que hace que el
119
proceso de adquisición de conocimientos y desarrollo de habilidades en robótica
sea más atractivo e interactivo.
La utilización de estas plataformas permite compartir recursos entre
diferentes instituciones, abordando así uno de los principales desafíos que
enfrentan los proyectos de educación en robótica, que es el alto costo asociado
con los materiales. Para fomentar una comunidad docente próspera centrada en la
robótica en la educación, es imperativo establecer un enfoque estructurado para
compartir y difundir experiencias dentro de este campo. Al hacerlo, podemos
empoderar efectivamente a los nuevos educadores para que incorporen
actividades de robótica en sus aulas, renovar los planes de estudio existentes y
adaptar el plan de estudios en consecuencia. Esto no solo sirve como un recurso
valioso para mejorar la participación de los estudiantes, sino que también actúa
como un catalizador para motivar a los estudiantes a participar activamente y
sobresalir en sus viajes de aprendizaje.
La integración de la robótica y la tecnología de la información ofrece dos
opciones viables para crear un proyecto educativo destinado a promover el
aprendizaje significativo y brindar capacitación a los aspirantes a científicos. Al
incorporar la robótica en el proceso de aprendizaje, los estudiantes no solo pueden
obtener un conocimiento valioso sobre este campo emergente, sino también
desarrollar habilidades cruciales que son esenciales en la industria de la tecnología
de la información. Esta integración asegura que los estudiantes participen
activamente en su educación, permitiéndoles aplicar conceptos teóricos a
escenarios prácticos, fomentando una comprensión más profunda de la materia.
Además, este enfoque permite a los estudiantes colaborar con sus pares y
participar activamente en la construcción de su propio conocimiento,
promoviendo un ambiente de aprendizaje más interactivo y dinámico.
En última instancia, la combinación de robótica y tecnología de la
información sirve como una herramienta poderosa en la construcción de un
proyecto educativo que no solo mejora el conocimiento de los estudiantes sino
que también los equipa con las habilidades necesarias para sobresalir en el campo
científico. El enfoque pedagógico y metodológico para incorporar la robótica en
la educación debe incluir todos los componentes esenciales de un marco
educativo. Esto incluye definir claramente los objetivos del proceso de
aprendizaje, determinar los contenidos relevantes a cubrir, establecer métodos y
estrategias de enseñanza efectivos, identificar los recursos físicos necesarios para
llevar a cabo las actividades y establecer criterios de evaluación para medir el
progreso de los estudiantes. Además, es importante considerar cómo la tecnología,
120
específicamente la informática, puede mejorar la experiencia de aprendizaje
cuando se trabaja con robótica.
A lo largo del siglo XXI, importantes avances tecnológicos allanaron el
camino para el surgimiento de una amplia gama de sistemas artificiales que se
parecen mucho a los seres humanos, comúnmente conocidos como robots. Estos
robots vienen en varias formas y se pueden categorizar según su estructura
interna, dimensiones, materiales de composición, técnicas de fabricación
empleadas, los mecanismos que utilizan para moverse (como motores y
transmisores), los sistemas sensoriales que poseen, sus métodos de locomoción, y
los microprocesadores integrados en su diseño. A pesar de los avances realizados
en el campo de la robótica, la creación de robots que posean una inteligencia
similar a la humana sigue siendo un desafío.
Si bien los robots actuales sobresalen en la automatización de tareas
simples y repetitivas en varias industrias, la capacidad de desarrollar máquinas
que puedan exhibir una toma de decisiones autónoma y extraer información de su
entorno para navegar de manera segura y resuelta sigue siendo un problema
continuo. Esta noción de inteligencia en los robots va más allá de la mera
funcionalidad y requiere un nivel de autonomía e intencionalidad que ha
demostrado ser increíblemente complejo de lograr. El optimismo inicial en torno
al potencial de la Inteligencia Artificial aún no se ha traducido en la síntesis
exitosa de inteligencia en robots. En el campo de la robótica existen tres funciones
fundamentales ampliamente reconocidas: la percepción, la planificación y la
actuación.
La primera función, la percepción, consiste en recopilar información
esencial de los sensores del robot sobre su entorno. Estos datos permiten que el
robot comprenda e interactúe con su entorno. La segunda función, la
planificación, abarca todos los procesos que utilizan los datos del sensor o el
conocimiento preexistente para generar instrucciones o tareas para que las
complete el robot. Estas instrucciones sirven como hoja de ruta para las acciones
del robot. Por último, la función de actuación consiste en controlar los actuadores
del robot, que son los encargados de ejecutar los movimientos físicos. Al diseñar
un robot industrial, es crucial considerar varios factores, como el rango de
movimientos que puede realizar, las limitaciones de su espacio de trabajo y sus
características estáticas y dinámicas.
Estas consideraciones determinan las capacidades del robot y su habilidad
para llevar a cabo con eficacia las tareas designadas. El robot industrial posee la
notable capacidad de alterar su ciclo de trabajo, gracias a su flexibilidad y amplia
gama de elementos terminales como abrazaderas, garras y herramientas. Esta
121
adaptabilidad permite que el robot se ajuste sin esfuerzo a los procesos de
producción en constante cambio, haciendo que su transformación sea un proceso
continuo. Además, los robots industriales vienen en varios tamaños, formas y
configuraciones físicas, y ofrecen una amplia gama de opciones para satisfacer
diferentes necesidades. En el mercado actual, la mayoría de los robots
comercialmente accesibles se pueden clasificar en cuatro configuraciones
principales. Alternativamente, también se puede considerar la configuración polar,
La forma del objeto es cilíndrica, o Configuración de coordenadas cartesianas
La configuración de un brazo articulado es una configuración que permite
un movimiento flexible y un posicionamiento preciso. Este tipo de brazo está
diseñado con múltiples articulaciones o segmentos, que se pueden ajustar para
alcanzar varios ángulos y orientaciones. Mediante el uso de enlaces
interconectados y uniones mecánicas, un brazo articulado puede imitar los
movimientos de un brazo humano, brindando una gran versatilidad en su rango de
movimiento. La articulación del brazo permite movimientos suaves y controlados,
por lo que es una opción ideal para tareas que requieren precisión y destreza.
Desde aplicaciones industriales como líneas de ensamblaje y operaciones de
soldadura hasta procedimientos médicos y cirugías robóticas, la configuración de
brazo articulado ha demostrado ser una herramienta valiosa en varios campos.
Con su capacidad para adaptarse a diferentes entornos y realizar tareas
complejas, esta configuración ha revolucionado la forma en que abordamos
operaciones complejas y delicadas. La configuración polar utiliza coordenadas
polares para determinar la posición de un objeto en función de su rotación
alrededor de una base, el ángulo de elevación y la longitud del brazo. Por el
contrario, la configuración cilíndrica reemplaza el movimiento lineal con un
movimiento de rotación alrededor de la base, lo que da como resultado un medio
de trabajo de forma cilíndrica. El sistema de coordenadas cartesianas implica tres
movimientos lineales y lleva el nombre de las coordenadas cartesianas, que son
ideales para describir la posición y el movimiento del brazo. Los robots
cartesianos a veces se denominan robots XYZ, que representan los tres ejes de
movimiento. Por otro lado, la configuración de brazo articulado se basa
únicamente en articulaciones rotatorias para lograr cualquier posición deseada, lo
que la convierte en la opción más versátil. La disposición de postes o soportes en
una formación o diseño particular.
La configuración cilíndrica se refiere a una figura o forma que se asemeja
a un cilindro, que es un objeto geométrico tridimensional con bases circulares
paralelas y una superficie curva que conecta las bases. También se puede describir
como de forma redonda o tubular, similar a una lata o un tubo. Esta configuración
122
se usa u observa a menudo en varios campos, como la ingeniería, la arquitectura y
las matemáticas. La configuración cilíndrica ofrece varias ventajas y aplicaciones
debido a su forma y propiedades únicas. Por ejemplo, en ingeniería, las
estructuras cilíndricas se usan comúnmente para tuberías, tubos y tanques de
almacenamiento debido a su resistencia, estabilidad y eficiencia en el manejo de
fluidos o gases. En arquitectura, los edificios o estructuras cilíndricos pueden
proporcionar un elemento de diseño visualmente atractivo y distintivo, creando
una sensación de grandeza y elegancia.
La configuración cilíndrica también se encuentra con frecuencia en
fórmulas y ecuaciones matemáticas, particularmente en cálculo y geometría,
donde sirve como forma fundamental para cálculos y representaciones. En
general, la configuración cilíndrica es una forma versátil y ampliamente utilizada
que juega un papel importante en diversas industrias y disciplinas, contribuyendo
al desarrollo y la innovación de numerosas tecnologías y diseños. El sistema de
coordenadas cartesianas se usa ampliamente en varios campos, incluidas las
matemáticas, la física, la ingeniería y la informática. Proporciona una manera
conveniente de describir y analizar formas geométricas, ecuaciones y relaciones
entre diferentes puntos en un plano. Al asignar valores numéricos a los puntos,
permite realizar cálculos y mediciones precisos.
Las aplicaciones del sistema de coordenadas cartesianas son amplias y
diversas. Desde el análisis del movimiento de objetos en física hasta el diseño de
estructuras complejas en ingeniería, este sistema de coordenadas juega un papel
crucial en varios campos de estudio. Su sencillez, precisión y versatilidad lo
convierten en una herramienta indispensable para entender y representar el mundo
que nos rodea. La coordenada x y la coordenada y pueden tomar cualquier valor
de número real, lo que permite representar una amplia gama de puntos. Los
valores positivos en el eje x se miden a la derecha del origen, mientras que los
valores negativos se miden a la izquierda. De manera similar, los valores positivos
en el eje y se miden por encima del origen, mientras que los valores negativos se
miden por debajo. El sistema de coordenadas cartesianas hace referencia a un
marco matemático que nos permite representar puntos en un plano bidimensional
utilizando un par de valores numéricos conocidos como coordenadas.
123
Conclusión
La inteligencia artificial conllevó a la creación de plataformas de
aprendizaje en línea para instituciones educativas que desean ampliar sus líneas
educativas y habilidades para estudiantes participantes. Estas plataformas ofrecen
una variedad de recursos educativos y cursos a los que puedes acceder desde un
espacio virtual para el aprendizaje dialógico interactivo, y se han vuelto cada vez
más populares en los últimos años porque brindan opciones convenientes y
flexibles para quienes no tienen el tiempo o la capacidad para asistir a clases
presenciales tradicionales, todo a través de un iCloud creado con IA. A su vez,
suelen ofrecer una variedad de materias y temas, lo que permite a los estudiantes
explorar sus intereses y perseguir objetivos de desarrollo personal y profesional, y
cumplir con el currículo universitario. Las plataformas de aprendizaje en línea
suelen utilizar métodos de enseñanza interactivos y atractivos, como vídeos,
cuestionarios, formularios y ejercicios interactivos para mejorar la experiencia de
aprendizaje.
Esto no sólo mantiene a los estudiantes motivados y comprometidos, sino
que también permite un aprendizaje personalizado adaptado a las necesidades
individuales y al estilo de aprendizaje de cada persona. Las plataformas de
aprendizaje en línea han revolucionado la forma en que las personas pueden
acceder y adquirir conocimientos y habilidades. El aprendizaje en línea utiliza
inteligencia artificial para personalizar el contenido y la entrega para satisfacer las
necesidades únicas de cada estudiante, lo que lo hace especialmente útil para
personas con necesidades educativas especiales (NEE), que pueden requerir un
enfoque personalizado para los recursos de estudio y aprendizaje. Estas
plataformas ofrecen cursos y herramientas en línea que pueden adaptarse y
adaptarse específicamente a las necesidades de los estudiantes con necesidades
educativas especiales.
Otro aspecto importante de un sistema de realidad virtual es el software o
contenido utilizado para crear el entorno virtual, esto puede variar desde la
gamificación hasta eventos más complejos y emocionantes como las
recompensas. El contenido de realidad virtual se puede crear utilizando una
variedad de lenguajes y herramientas de programación, y su desarrollo a menudo
requiere conocimientos y habilidades especializados. Los sistemas de realidad
virtual son una forma de tecnología que permite a los usuarios experimentar
entornos virtuales o simulados y lo más relevante, suelen incorporar otras
funciones sensoriales, como el sonido y el tacto, para mejorar aún más la
experiencia del usuario.
124
Este crecimiento tecnológico sin precedentes ha allanado el camino para el
desarrollo de complejos programas de inteligencia artificial que simplifican las
responsabilidades humanas. Como resultado, los creadores de sistemas de
inteligencia artificial ahora tienen a su disposición abundantes recursos que les
permiten resolver fácilmente problemas cotidianos complejos e innovar de
maneras que antes eran imposibles. El rápido desarrollo de la tecnología ha
contribuido en gran medida a la creación de programas complejos destinados a
optimizar las tareas humanas. Como resultado, estos avances están impulsando
mejoras en la oralidad didáctica en las aulas y el aprendizaje colaborativo todos
los niveles de educación. Sin embargo, debe destacarse que la capacidad de la IA
para realizar tareas, normalmente requieren inteligencia humana, por ello se
requiero de un compromiso ético en la consciencia colectiva de los directivos de
universidades y quienes tiene la capacidad de gestionar el uso responsable de la
IA en la educación.
125
Bibliografía
Block, N., (1995): “The Mind as Software of the Brain.” En Smith y Osherson
(eds.) An Invitation to Cognitive Science, 2nd Edition, Vol. 3:
Thinking.Cambridge, Mass., MIT Press, pp. 377-426.
Churchland, P. (1984): Matter and Consciousness. Cambridge, Mass., MIT Press.
Dautenhahn, K., Nehaniv, C. L., Walters, M. L., Robins, B., Kose-Bagci, H.,
Mirza, N. A.y Blow, M., (2009). KASPAR – a minimally expressive
humanoid robot for human–robot interaction research. Applied Bionics
and Biomechanics, Vol. 6, No. 3-4, Special Issue on Humanoid Robots,
pp. 369–397.
Gámez, D., (2007): “Progress in Machine Consciousness.” Consciousness and
Cognition Volumen 17, 3, pp. 887-910.
Luckin, R., (2017). Towards artificial intelligence-based assessment systems. Nat
Hum Behav 1, 0028.
Lee, K. F., (2018). AI Superpowers: China, Silicon Valley and the New World
Order. Houghton Mifflin Harcourt Publishing Company.
Marcus, G. y Davis, E., (2019). Rebooting AI: Building artificial intelligence we
can trust. Nueva York, Ballantine Books Inc.
McCarthy, J., Minsky, M. L., Rochester, N. y Shannon, C. E., (2006). A proposal
for the Dartmouth Summer Research Project on Artificial Intelligence,
August 31, 1955. AI Magazine, Vol. 27, No. 4, pp. 12–14.
Nemorin, S., (2021). Fair-AI. Project Update #6. Preliminary Findings.
Recuperado en 4 de febrero de 2021, de: https://www.fair-ai.com/project-
update-6
Russell, S. y Norvig, P., (2016). Artificial Intelligence: A modern approach, 3rd
edition. Boston, MA, Pearson.
Searle, J., (2004): Mind: A Brief Introduction. New York, Oxford University
Press.
Smith, A. y Anderson. J., (2014). AI, Robotics, and the Future of Jobs. Pew
Research Center. Washington, DC. Recuperado en 1 de febrero de 2021,
de: https://www.pewresearch.org/ internet/wp-content/
uploads/sites/9/2014/08/Future-of- AI-Robotics-and-Jobs. pdf
Turing, A. (1948): "Intelligent Machinery." En Evans and Robertson (eds.)
Cybernetics: Key Papers. Baltimore, University Park Press, pp. 26-54.
127
De esta edición de “Inteligencia artificial para la conciencia y
orientación en entornos educativos”, se terminó de editar en la ciudad
de Colonia del Sacramento en Julio de 2024
128
Lima - Colonia del Sacramento - Buenos Aires
129
