Una forma de pensar en el aprendizaje es en el contexto de pasar de ser un novato a ser un experto. Los estudiantes generalmente comienzan como novatos en un tema, y, como educadores, tratamos de llevarlos a un mayor nivel de experiencia. La mayoría de los estudiantes no se convertirán en expertos, pero trabajamos para ayudarles a avanzar en un continuo para ganar competencia.

¿Cómo se desarrolla la pericia? «La pericia se desarrolla a medida que los estudiantes combinan con precisión ideas simples en otras complejas» (Van Merrienboer y Sweller, 2010). Esta complejidad se refleja en el esquema que se mantiene en nuestra memoria a largo plazo (por ejemplo, modelos menta-les, redes, circuitos). Por ejemplo, un niño pequeño puede llamar a cada animal perro. Un perro es un perro, un gato es un perro, una vaca es un perro. El niño pequeño tiene un esquema muy simple de lo que es un animal y un perro, por ejemplo, un no humano con cuatro patas y pelo. A medida que el niño va adquiriendo experiencia, comienza a perfeccionar su esquema para los animales y los tipos de animales. Si prestan mucha atención, pueden distinguir entre perros, gatos y vacas.

Sin embargo, no es suficiente con sólo construir el esquema. «Una instrucción bien diseñada no sólo debe alentar la construcción de esquemas, sino que también debe apoyar la automatización de los esquemas en aquellos aspectos que son coherentes en todas las tareas» (Van Merrienboer y Sweller, 2010). La experiencia se desarrolla a medida que los/las alumnos/as combinan con precisión ideas simples con otras complejas, y estos esquemas se automatizan. Por ejemplo, de un vistazo, un experto puede decir la raza del perro y probablemente su edad, salud física y estado mental. La automatización es fundamental para la pericia: para pasar del conocimiento a la acción, de la actuación una vez a la actuación con regularidad. Anders Ericsson investiga la ciencia de la pericia. Estudia cómo las personas se convierten en expertos en campos como el ajedrez, la música y los deportes. Ericsson afirma que «la clave para mejorar el rendimiento mental de casi cualquier tipo es el desarrollo de estructuras mentales que permitan evitar las limitaciones de la memoria a corto plazo y manejar eficazmente grandes cantidades de información de una sola vez» (Ericsson, 2016).

Figura 18.1. Los esquemas reducen la carga cognitiva

Todos nosotros tenemos espacios limitados disponibles en la memoria de trabajo. ¿Cuántos? Alrededor de cuatro espacios. Pero un experto puede procesar mucha más información a la vez. ¿Cómo superan los expertos las limitaciones de la memoria a corto plazo? ¿A qué estructuras mentales se refiere Ericsson? Se cree que incluso un esquema muy complejo puede ser un único elemento de la memoria de trabajo que nos permita procesar más información de una sola vez (Van Merrienboer y Sweller, 2010). «La cantidad de información que se puede retener depende estrechamente de si los elementos pueden ser agrupados en unidades significativas, o «trozos». Es decir, agrupando la información se puede explotar la información preexistente sobre conceptos ya almacenados en la memoria a largo plazo, lo que permite un almacenamiento más eficiente en la memoria de trabajo, presumiblemente reduciendo el número de elementos activos que deben mantenerse en la memoria de trabajo» (Eriksson y otros, 2015).

Las ranuras de la memoria de trabajo son una simplificación conceptual. Otra forma de pensar al respecto es que tenemos un número limitado de recursos cognitivos que distribuimos entre las cosas a las que prestamos atención y que estamos procesando. Si los esquemas no están auto-matizado, pueden utilizar todos los recursos cuando se activan, sin dejar ninguno para procesar nueva información. Cuanto más automatizado están los esquemas, menos recursos utilizan y mayor es la cantidad de recursos disponibles para cualquier información nueva que tengamos delante. «La oportunidad de utilizar la MLP o el agrupamiento tiende a aumentar el rendimiento, mientras que el requisito de informar sobre los detalles finos de los objetos complejos tiende a disminuir el rendimiento» (Eriksson y col., 2015). En resumen, necesitamos construir esquemas, pero también necesitamos apoyar la automatización (aumento de la eficiencia) de aquellos que necesitamos utilizar a menudo.

Los siguientes extractos de Eriksson, Prietula y Cokely (2007) ilustran la interacción entre el esquema, la memoria de trabajo y el rendimiento de los expertos. «Las ranuras de la memoria de trabajo son similares entre todos nosotros. Pero la complejidad del esquema que podemos aplicar a la situación que tenemos delante diferirá considerablemente, y esto puede predecir en gran medida el rendimiento». Los autores proporcionan un ejemplo del juego de ajedrez:

«Un jugador explora todas las posibilidades de su próximo movimiento, pensando en las consecuencias de cada uno y planificando la secuencia de movimientos que podría seguir. Todo esto requiere una memoria de trabajo – la información para apoyar estos procesos debe mantenerse en la memoria de trabajo. Un experto ha jugado tantas veces que ha visto antes exactamente la misma disposición de piezas o al menos muy parecidas. Ha deliberado sobre las consecuencias de posibles movimientos y puede planificar los movimientos y escenarios posteriores mucho más lejos en el futuro (a menudo hasta el final de la partida) – mejorando su capacidad para hacer una elección efectiva para ese movimiento específico. Para un principiante, hay mucha información que asimilar, empezando por la posición de las piezas, las reglas del juego, los objetivos – estos ponen un límite a la anticipación con la que el jugador puede planear su próximo movimiento. Se gastan más recursos de memoria de trabajo en información que un experto no tiene que pensar. Esto afecta enormemente a la capacidad de rendimiento».

Por lo tanto, los estudiantes no sólo tienen que hacer conexiones y hacerlas más permanentes, sino que también tienen que trabajar para automatizar las que se utilizarán con frecuencia. Lo que a menudo diferencia a un experto de un novato es el número de tareas automatizadas – liberando más recursos para nueva información.

Referencias

  • Van Merriënboer, J. J., y Sweller, J. (2010). Cognitive load theory in health professional education: design principles and strategies. Medical education, 44(1), 85-93.
  • Ericsson, A., y Pool, R. (2016). Peak: Secrets from the new science of expertise. Houghton Mifflin Harcourt.
  • Eriksson, J., Vogel, E. K., Lansner, A., Bergström, F., y Nyberg, L. (2015). Neurocognitive architecture of working memory. Neuron, 88(1), 33-46.
  • Eriksson, K. A., Prietula, M. J., y Cokely, E. T. (2007 July-August). The Making of an Expert. Retrieved from https://hbr.org/2007/07/the-making-of-an-expert

Licencia

Icono de Licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional

Conceptos de la Ciencia del Aprendizaje para Docentes (proyecto Illuminated) Copyright © 2020 por Marc Beardsley se distribuye bajo una Licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional, excepto cuando se especifiquen otros términos.

Comparte este libro