Del Docente Presencial Al Docente Virtual PDF

Del docente presencial
al docente virtual
D. Jonassen
P06/M1104/01593
Código
0,75 créditos
Procesos
de aprendizaje
mediante las TIC
U
www.uoc.edu
D. Jonassen
Distinguished Professor of Education

Department of Educational, School,
and Counseling Psychology
University of Missouri-Columbia
Responsable de autoría: Josep M. Mominó

Procesos de aprendizaje mediante las TIC © FUOC • P06/M1104/01593
Índice
Introducción ................................................................... 7
1. La construcción de modelos para el cambio

conceptual ................................................................. 13
1.1. Resultados del aprendizaje significativo .................. 13
1.1.1. Modelos mentales ....................................... 14
1.1.2. Cambio conceptual ..................................... 15
1.2. Construcción de modelos mentales ........................ 18
1.2.1. Construcción de modelos frente
a consumo .................................................. 20
1.3. ¿Qué modelamos? ............................................... 21
1.3.1. Construcción de modelos
de los conocimientos dominantes ................. 22
1.3.2. Construir modelos problema ....................... 23
1.3.3. Construir modelos de sistemas ..................... 27
1.3.4. Construir modelos de experiencias
(historias) .................................................... 30
1.3.5. Construir modelos de pensamiento
(simulaciones cognitivas) .............................. 32
1.4. Tipos de sistemas de aprendizaje basados
en modelos .......................................................... 35
1.4.1. Construcción de simulaciones deductivas ...... 35
1.4.2. Construcción de modelos inductivos
de simulación .............................................. 37
1.4.3. Exploración de modelos de caja negra
o simulaciones ............................................ 37
ANOTACIONES
1.4.4. Modelos causales cualitativos ....................... 38

1.4.5. Herramientas de construcción de modelos
semánticos .................................................. 38
1.4.6. Advertencias críticas sobre las herramientas
de construcción de modelos ......................... 39
1.5. Valorar el cambio conceptual con modelos
construidos por estudiantes ................................... 40
1.6. Bases para la construcción de modelos .................. 41
1.7. Limitaciones para la construcción de modelos ........ 42
3
© FUOC • P06/M1104/01593 Del docente presencial al docente virtual
2. Aprender a solucionar problemas ............................ 45

2.1. ¿En qué consiste la resolución de problemas? ......... 45
2.2. Variedad de problemas ......................................... 46
2.2.1. Estructuración .............................................. 46
2.2.2. Complejidad ............................................... 48
2.2.3. Especificidad de campo
(abstractos-situados) .................................... 49
2.3. Tipología de solución de problemas ....................... 50
2.3.1. Problemas lógicos ........................................ 52
2.3.2. Problemas algorítmicos ................................ 52
2.3.3. Problemas narrados ..................................... 53
2.3.4. Problemas que usan reglas .......................... 53
2.3.5. Problemas de toma de decisiones ................. 54
2.3.6. Problemas de resolución de dificultades ........ 54
2.3.7. Problemas de solución y diagnosis ................ 55
2.3.8. Actuaciones estratégicas ............................... 56
2.3.9. Problemas políticos y de análisis
de casos ubicados ....................................... 56
2.3.10. Problemas de diseño .................................. 57
2.3.11. Dilemas ..................................................... 58
3. Entornos de aprendizaje de resolución

de problemas en línea .............................................. 59
3.1. Problemas narrados .............................................. 59
3.1.1. Tipo de problema y tipología ....................... 60
3.1.2. Clasificación de problemas .......................... 64
3.1.3. Problema verbal .......................................... 65
3.1.4. Identificador del conjunto ............................. 65
3.1.5. Modelo estructural ....................................... 66
3.1.6. Constructor de ecuaciones ........................... 67
3.1.7. Modelo situacional ...................................... 68
3.1.8. Ejemplos trabajados .................................... 68
3.1.9. Asuntos de la práctica .................................. 69
3.1.10. Instrucción de contenido ............................. 70
ANOTACIONES
3.1.11. Resumen ................................................... 70

3.2. Problemas de resolución de dificultades ................. 71
3.2.1. Modelo conceptual ...................................... 73
3.2.2. Localizador de dificultades o averías ............. 73
3.2.3. Biblioteca o archivo de casos ........................ 75
3.2.4. Ejemplos trabajados .................................... 77
3.2.5. Temas de práctica ....................................... 77
3.3. Problemas de análisis de casos/sistemas ................ 78
3.3.1. Representación de problemas ....................... 79
4
3.3.2. Herramientas de representación

de problemas .............................................. 83
3.3.3. Generar opciones de solución: acomodar
perspectivas múltiples .................................. 85
3.3.4. Argumentación ........................................... 85
4. Argumentación mediante la tecnología

para apoyar la resolución de problemas ................. 89
4.1. Tecnologías de argumentación .............................. 91
4.1.1. SenseMaker ................................................ 96
4.1.2. Belvedere .................................................... 97
4.1.3. Convince Me ............................................... 98
Resumen ........................................................................ 99
Mapa conceptual ........................................................... 101
Glosario ......................................................................... 103
Bibliografía .................................................................... 107
ANOTACIONES
5
Introducción
El siguiente módulo describe los puntos de vista actuales sobre cómo se

puede usar la tecnología para impulsar un aprendizaje más significativo
en el campo de la educación. En él se habla más de aprendizaje y de
formación que de tecnología. ¿Por qué? Últimamente muchos formado-
res han visto la tecnología como la salvación de la educación. Hasta que
los formadores no se pongan de acuerdo en que debería modificarse la
naturaleza del aprendizaje en los procesos formativos, probablemente
la tecnología no tendrá ningún efecto sobre la misma. Es decir, la tec-
nología por sí misma no puede cambiar la educación. Tenemos que es-
tar todos de acuerdo en que la formación debe centrarse en un
aprendizaje significativo, el tipo de aprendizaje que lleva a los estudian-
tes a un nivel profundo de pensamiento.
Muchos informes en Estados Unidos han concluido que la compleji-

dad que supone avanzar en el mundo del siglo XXI requiere nuevas
habilidades y formas de pensar. La preparación necesaria para que
los estudiantes cumplan estos requisitos debe fomentarse en las ins-
tituciones educativas mediante entornos intelectuales enriquecidos.
Más que explicar a los estudiantes el mundo que van a encontrarse
fuera del centro, es este mundo el que debe llamarles la atención.
Los estudiantes tienen que aprender a solucionar problemas comple-
jos y mal definidos, progresar en la ambigüedad y abarcar distintas
perspectivas, usando un repertorio de habilidades intelectuales y
creativas que con poca frecuencia les son requeridas. Cuando los
formadores crean que estos objetivos son importantes, la tecnología
podrá tener un mayor impacto en el aprendizaje y la educación.
ANOTACIONES
Este módulo se basa en la teoría sobre el desarrollo del aprendizaje sig-

nificativo que se ha denominado constructivismo. El constructivismo par-
te de los siguientes supuestos (Jonassen, Peck y Wilson, 1999):
1. El conocimiento se construye
Las personas dan sentido a su mundo y a todo aquello con lo que

mantienen un contacto construyendo representaciones mentales de
7
la realidad. Los seres humanos son perceptores e intérpretes que

construyen sus propias interpretaciones del mundo físico mediante
actividades interpretativas y cognitivas que suponen la creación de
modelos mentales. Este proceso de elaboración del sentido implica
acomodar ideas y fenómenos nuevos en las creencias y conocimien-
tos existentes que ya habían sido construidos por el estudiante.
2. La realidad (el sentido que construimos del mundo) se encuentra

en la mente
El proceso de elaboración del sentido tiene como resultado un cono-

cimiento que es único a la persona, puesto que se basa en un con-
junto de experiencias únicas que han producido una combinación de
creencias sobre el mundo también única. Un principio importante es
que el conocimiento no es una entidad externa que se encuentra en
el mundo físico y que debe ser adquirido o transmitido.
3. Así pues, existen múltiples perspectivas del mundo
Del mismo modo que no existen dos personas en el mundo que ten-
gan las mismas experiencias y las mismas percepciones de estas ex-
periencias, cada uno de nosotros construye un conocimiento propio
que, a su vez, afecta a la percepción de las experiencias que com-
partimos. En este sentido, por ejemplo, cualquier discusión sobre po-
lítica, religión o cerveza evoca una multitud de perspectivas sobre
cualquier fenómeno que se discuta.
4. El conocimiento se construye a partir de nuestras interacciones

con el medio ambiente
No podemos separar nuestro conocimiento sobre un área, de nues-

ANOTACIONES
tras interacciones con esta área; ni podemos valorar el conocimiento

adquirido sin tener en cuenta cómo se adquiere (Savery y Duffy,
1995). Es decir, las personas sólo pueden interpretar la información
en el contexto de sus propias experiencias, y aquello que interpreten
será, hasta cierto punto, individual (Jonassen, 1991). El conocimien-
to que las personas construyen consiste no sólo en las ideas (conte-
nido), sino también en el conocimiento sobre el contexto en que son
adquiridas, lo que la persona estaba haciendo en aquel entorno y
aquello que pretendía del mismo. Lo que diferencia a los seres hu-
8
manos de las formas inferiores de vida (por lo que sabemos) es la

intencionalidad y la habilidad para articular esas intenciones.
5. Así pues, el conocimiento se encuentra anclado e indexado

en contextos relevantes
Las ideas que tenemos y las habilidades que hemos adquirido con-
sisten, en parte, en la situación o contexto en que fueron adquiridas
o aplicadas. Es decir, el contexto es parte del conocimiento que la
persona utiliza para explicar o dar sentido a una idea. Esto significa
que las normas abstractas y las leyes, si están aisladas de un contex-
to, no tienen significado alguno. Los constructivistas afirman que las
habilidades tienen más significado si se desarrollan en contextos sig-
nificativos. Si las ideas no pueden aplicarse, entonces no tienen sig-
nificado. Enseñar hechos y explicar conceptos sin enmarcarlos en
algún contexto les quita el significado.
6. Por consiguiente, el conocimiento no se puede transmitir
El objetivo explícito de la instrucción tradicional es la “transmisión del

conocimiento” más eficiente. Desgraciadamente, lo que podemos
“enseñar” no es siempre lo que los estudiantes aprenden. El conoci-
miento no puede transmitirse de profesores a estudiantes.
7. La construcción del conocimiento se estimula por una cuestión

de necesidad o deseo de saber
Aquello que produce el proceso de construcción del conocimiento

es una disonancia entre lo que se sabe y lo que se observa en el
entorno. La construcción real de significado (resolver la disonancia
entre lo que sabemos bien y lo que percibimos o creemos que las
ANOTACIONES
otras personas saben) resulta de una perplejidad (Duffy y Cunning-

ham, 1996), una perturbación (Maturana, 1980), una violación de
expectativas (Schank, 1986) o una adaptación al entorno que su-
pone ciclos de asimilación y adaptación. Podemos memorizar ideas
que otros nos hayan dicho, pero llegar de forma activa a la cons-
trucción del significado de un fenómeno implica alguna motivación
para saber. Esta disonancia asegura cierta propiedad por parte del
estudiante.
9
8. El significado se negocia de forma social
De la misma forma que todos compartimos el mundo físico, también

compartimos parte del significado que le damos. Los seres humanos
son criaturas sociales que confían en las reacciones de otros humanos
para determinar su propia existencia y la veracidad de sus creencias
personales. Los constructivistas sociales han creído durante cincuenta
años que la elaboración del significado se produce en un proceso de
negociación entre los participantes de cualquier diálogo. Desde una
perspectiva constructivista, aprender es un diálogo, un proceso de ne-
gociación, tanto interno como social. Aprender es inherentemente un
proceso social-dialógico (Duffy y Cunningham, 1996).
9. El significado y el pensamiento se distribuyen entre la cultura

y la comunidad en las que vivimos y las herramientas que
utilizamos
Desde el momento en que entramos a formar parte de comunidades de

práctica, nuestros conocimientos y creencias sobre el mundo reciben la
influencia de esta comunidad y de sus creencias y valores. Cuando en-
tramos a formar parte de comunidades de discurso sobre la práctica,
también nuestros conocimientos y creencias reciben su influencia. Por
ejemplo, nuestro conocimiento del mundo recibe la influencia de las ac-
tividades que realizamos en el trabajo. Las creencias y el conocimiento
de nuestros compañeros influyen en nuestra forma de pensar. El apren-
dizaje puede ser entendido como los cambios que sufre nuestra relación
con la cultura o culturas con las que estamos conectados.
10. No todo el significado se crea de la misma forma
Los constructivistas no comparten la opinión deconstructivista, como

muchos creen, de que todos los significados son válidos. Debemos
ANOTACIONES
examinar la viabilidad del significado de cualquier persona sobre la

base de las normas sociales e intelectuales de la comunidad.
Principios de un aprendizaje significativo
Si aceptamos todas estas suposiciones, se produce un cambio en el

proceso de educar a los estudiantes. Basándonos en ellas, el apren-
10
dizaje en los centros de formación debería poner énfasis en las si-

guientes cualidades:
• Activo
Los estudiantes se comprometen con el proceso de aprendizaje en un

procesamiento consciente de la información, de cuyo resultado son
responsables.
• Constructivo
Los estudiantes adaptan nuevas ideas a un conocimiento previo

(equilibración) para dar sentido o dar significado o reconciliar una
discrepancia o perplejidad.
• Colaborativo
Los estudiantes trabajan en comunidades de aprendizaje y construc-

ción del conocimiento, aprovechando las habilidades del resto y
aportando apoyo social, además de modelar y observar las contri-
buciones de cada uno de los miembros de la comunidad.
• Intencional
Los estudiantes intentan conseguir un objetivo cognitivo de forma ac-

tiva e intencional.
• Conversacional
Aprender es inherentemente un proceso social, dialógico (Duffy y

Cunningham, en prensa), en el cual los estudiantes son los que más
ANOTACIONES
se benefician del hecho de pertenecer a comunidades en que se

construye el conocimiento, tanto dentro de clase como fuera.
• Contextualizado
Las actividades de aprendizaje están situadas en ciertas tareas signi-

ficativas del mundo real o simulado mediante un entorno de apren-
dizaje basado en algún caso o problema.
11
• Reflexivo
Los estudiantes articulan lo que han aprendido y reflexionan sobre

los procesos y decisiones implicadas.
ANOTACIONES
12
1. La construcción de modelos para el cambio

conceptual
El aprendizaje significativo debería ser la raison d’ètre de los proce-

sos formativos. Más que presentar un contenido curricular preorga-
nizado que los estudiantes deben memorizar, las instituciones
formativas deberían ayudar a los alumnos a darse cuenta de lo que
están aprendiendo y a usar su comprensión para resolver los proble-
mas de la vida cotidiana. El supuesto fundamental de este artículo es
que la tecnología, cuando se usa de manera productiva, puede pro-
mover un aprendizaje significativo entre los estudiantes. En la mayo-
ría de instituciones educativas hay un acceso limitado a la tecnología
(normalmente menos de 2 horas por semana), por este motivo, nues-
tra función como educadores debería ser decidir cómo usar la tecno-
logía para dar el máximo apoyo a un aprendizaje significativo
durante este tiempo limitado. ¿Cómo aprovechar al máximo este
tiempo? Es decir, ¿cómo usar la tecnología de la forma más concep-
tualmente atractiva posible?
aaa
La premisa de este módulo es que construir modelos que
se basen en la informática es la actividad tecnológica
más conceptualmente atractiva que existe, con la máxi-
ma contribución al cambio conceptual y al desarrollo de
modelos mentales. No sólo atrae a los estudiantes hacia
un cambio conceptual, sino que la construcción de mo-
delos no puede efectuarse sin un ordenador.
ANOTACIONES
1.1. Resultados del aprendizaje significativo
Aquello que para nosotros es significativo depende de nuestras nece-

sidades e intenciones. Sin embargo, desde una perspectiva psicológica
del aprendizaje, las dos concepciones actuales que más se acercan a
la significación son los modelos mentales y el cambio conceptual.
13
1.1.1. Modelos mentales
¿Qué sucede cuando las personas aprenden de forma significativa?

¿Qué pruebas describen el aprendizaje significativo? El resultado del
aprendizaje significativo es un modelo mental de los fenómenos que
se han explorado y manipulado. Los niños empiezan construyendo
sus propios modelos mentales sencillos para explicar sus mundos, y
con la experiencia, el apoyo y más reflexión, sus modelos mentales
se van estructurando y ampliando cuando interactúan con el mundo
de una manera más compleja. Los modelos más complejos les per-
mitirán razonar de manera más consistente y productiva sobre los fe-
nómenos que observan. Los seres humanos son constructores
naturales de modelos.
aaa
¿Qué es un modelo mental? Se trata de una pregunta
difícil porque hay muy poca unanimidad respecto a su
respuesta. Existen muchas concepciones sobre los mo-
delos mentales, empezando por Johnson-Laird (1983)
y Gentner y Stevens (1983). ¿Los modelos mentales son
modelos semánticos, simulaciones, conocimientos pro-
cedimentales en forma de normas de inferencia, o qué
son exactamente? Los modelos mentales son todo eso,
es decir, son representaciones ricas, complejas, inter-
conectadas, interdependientes y multimodales de todo
aquello que una persona o un grupo de personas sa-
ben.
Los modelos mentales individuales consisten en representaciones

múltiples, interdependientes e integradas de aquello que se ha
aprendido. Para representar un modelo mental individual, pueden
ANOTACIONES
usarse distintas formas de pruebas, incluyendo el conocimiento es-

tructural, procedimental, reflexivo, espacial/imaginativo, metafórico,
ejecutivo, además de multitud de creencias sobre el mundo (Jonas-
sen y Henning, 1999).
Los modelos mentales grupales o colaborativos los construyen so-

cialmente grupos de individuos que se centran, colaborando unos
con otros, en una misma tarea significativa. Los modelos mentales
14
grupales o de equipo consisten en representaciones múltiples de

algún sistema o fenómeno. Para representar un modelo mental
grupal, se necesitan distintas formas de pruebas, como el conoci-
miento basado en las actividades, el conocimiento social o relacio-
nal, el conversacional o discursivo y los artefactos que el grupo usa
y produce.
Este módulo afirma que la actividad que favorece la construcción de

un modelo mental de forma más consistente y productiva es la cons-
trucción de modelos computacionales. Es decir, usar el ordenador
para construir modelos de lo que se ha estudiado proporciona una
representación física de los procesos mentales de la construcción de
modelos. Distintos investigadores han demostrado la relación entre
la construcción de modelos y los modelos mentales (Frederiksen y
White, 1998; Mellar, Bliss, Boohan, Ogborn, y Tompsett, 1994; Whi-
te, 1993). La forma más efectiva de impulsar la construcción de mo-
delos mentales es hacer que los estudiantes usen una variedad de
herramientas para construir modelos físicos, visuales, lógicos, o
computacionales de los fenómenos. En otras palabras, construir mo-
delos físicos y computacionales mediante tecnologías confiere a los
estudiantes la oportunidad de operacionalizar y externalizar sus mo-
delos mentales.
1.1.2. Cambio conceptual
Tal como se ha indicado en la sección anterior, un objetivo de casi

todos los aprendizajes científicos es la construcción de modelos men-
tales. Los seres humanos construyen de forma natural teorías simpli-
ficadas e intuitivas para explicar el mundo. Mediante la experiencia
y la reflexión, añaden complejidades conceptuales a medida que van
aprendiendo. Como aprendices, construyen sus modelos mentales,
ANOTACIONES
expresan cierta fuerza, coherencia y compromiso con las concepcio-

nes existentes; interactúan con la nueva información hasta alcanzar
un nivel en el que la información sea comprensible, coherente, plau-
sible y retóricamente apremiante de acuerdo con sus modelos con-
ceptuales. El proceso cognitivo de construcción de estas teorías es el
cambio conceptual.
El cambio conceptual tiene lugar cuando los estudiantes cambian su

manera de entender los conceptos y marcos conceptuales. Según di-
15
ferentes investigadores, el proceso y ritmo del cambio conceptual es

variable; para algunos (Smith, di Sessa y Resnick, 1993; Siegler,
1996), el cambio conceptual es un proceso evolutivo de ampliación
y transformación gradual de los estados de conocimiento. Este mo-
delo de cambio conceptual es más piagetiano en aquellos puntos en
los que los estudiantes acomodan gradualmente el conocimiento
que ya poseen y lo convierten en mejores estructuras de conocimien-
to. El cambio conceptual puede ser el resultado de la instrucción o
del descubrimiento.
Familiarizarse con sistemas conceptuales después de haber oído ha-

blar de ellos consiste típicamente en la introducción de términos, la ex-
plicación de experimentos y la defensa de hipótesis (Thagard, 1992).
Esta forma evolutiva del cambio conceptual requiere poca reestruc-
turación de los sistemas conceptuales (Carey, 1985). El aprendizaje
reproductivo en las instituciones educativas requiere demasiadas ve-
ces la simple articulación de un marco conceptual ya existente, que
sólo implica cambios en las relaciones entre conceptos (Carey, 1988),
y no una reestructuración de los modelos conceptuales por parte de
los aprendices. Este tipo de enriquecimiento es la forma más débil de
cambio conceptual (Vosniadou, 1994). Los estudiantes más avan-
zados pueden llegar a desarrollar sus modelos conceptuales me-
diante el descubrimiento, en el momento en que alguien establece
un nuevo sistema conceptual y los estudiantes aducen sus propias
hipótesis explicativas. Este tipo de cambio conceptual, la revisión,
es necesario cuando la información que debe adquirirse no corres-
ponde a las creencias, presuposiciones, y modelos ingenuos del
mundo (Vosniadou, 1994).
Para otros investigadores (Chi, 1992; Thagard, 1992), el cambio

conceptual es un proceso revolucionario en el cual la manera como
se entienden los conceptos se sustituye por otra comprensión que se
ANOTACIONES
espera que sea mejor. El cambio es una reorganización radical o

marcada de las estructuras del conocimiento (Dole y Sinatra, 1998).
Es necesaria una reestructuración radical cuando los estudiantes
chocan con importantes anomalías que no pueden acomodar en sus
actuales teorías, así que es pertinente un nuevo paradigma. La sus-
titución de modelos conceptuales por otros nuevos no puede llevarse
a cabo simplemente rehusando conceptos concretos o proposiciones
en el sistema conceptual, sino que debe desafiarse toda la estructura
y sustituirla (Thagard, 1992). El cambio conceptual radical requiere
16
que los estudiantes cambien conceptos y proposiciones a través de

categorías ontológicas, es decir, que cambien marcos para acomo-
dar ideas.
El cambio conceptual más significativo sólo sucede si es intencional

(Dole y Sinatra, 1998). Es decir, en el momento en que el aprendiz
es consciente de que su comprensión es inadecuada y percibe la ne-
cesidad de cambio, es probable que el cambio sea significativo (Lu-
que, 2003). El problema es que los aprendices con un bajo nivel de
conocimiento dominante tienen dificultades para percatarse de con-
tradicciones entre sus propias concepciones y las que son científica-
mente aceptables. Además de ser conscientes de sus anomalías de
pensamiento, los aprendices también han de querer cambiarlas (Lu-
que, 2003). Las teorías que sustituirán a las actuales deben ser inte-
ligibles, plausibles y productivas (Strike y Posner, 1985), es decir,
atractivas cognitivamente.
¿Qué hace que el cambio conceptual sea intencional? El cambio con-

ceptual es una función del nivel de compromiso conceptual (Dole y Si-
natra, 1998). Los aprendices manifiestan de forma natural una cierta
fuerza, coherencia, y compromiso con las concepciones que poseen; es
más fácil que cambiar. Tienden a interactuar con la información que es
comprensible, coherente, plausible a la luz de las teorías existentes. El
nivel de interacción de los estudiantes con la nueva información depen-
de de un continuo, desde un compromiso cognitivo bajo hasta un alto
compromiso metacognitivo. Cuando los estudiantes no se comprome-
ten cognitivamente, procesan información de forma superficial. No obs-
tante, los estudiantes a menudo encuentran información que no
corresponde a sus propias teorías. Pueden ignorar esta información (co-
sa que hacen a menudo), o pueden intentar reconciliarla con lo que ya
saben. Esta reconciliación implica muchas veces que reestructuren lo
ANOTACIONES
que saben (por ejemplo, mediante un cambio conceptual). El cambio

conceptual requiere un alto compromiso cognitivo. Para reestructurar lo
que saben, los estudiantes deben regularse a sí mismos, esforzándose
en analizar y sintetizar la nueva información.
Según Dole y Sinatra (1998), en el nivel más alto de compromiso los

estudiantes piensan detenidamente sobre argumentos y contraargu-
mentos relacionados con el mensaje, con lo que se consigue una alta
probabilidad de que se efectúe un cambio conceptual.
17
Reflexión
Una de las preguntas importantes a la que responde

este módulo es cómo podemos nosotros, los educado-
res, impulsar un alto compromiso cognitivo de los estu-
diantes que ven la necesidad de cambiar sus modelos
conceptuales del mundo. También se describe cómo
los estudiantes pueden usar el ordenador para cons-
truir sus propios modelos del mundo; mediante la
construcción de estos modelos, se comprometen de
forma necesariamente cognitiva. Cuando prueban y
revisan estos modelos para reconciliarlos con sus expe-
riencias, los estudiantes efectúan necesariamente un
cambio conceptual radical o revolucionario.
1.2. Construcción de modelos mentales
Los profesores de matemáticas y ciencias (Confrey y Doerr, 1994;

Frederiksen y White, 1998; Hestenes, 1986; Lehrer y Schauble,
2000; White, 1993) han reconocido durante mucho tiempo la im-
portancia de construir modelos a la hora de entender los fenómenos
matemáticos y científicos. Yo creo que se trata de una habilidad
esencial en todas las disciplinas, es decir, es una habilidad cognitiva
esencial para la construcción de significado en todos los campos.
También creo que además de construir modelos del conocimiento
dominante (el principal objetivo de los trabajos educativos de mate-
máticas y ciencias hasta la actualidad), los estudiantes también pue-
den beneficiarse de la construcción de modelos de problemas
(construir espacios del problema), sistemas, estructuras semánticas y
procesos de pensamiento (como las simulaciones cognitivas). Ade-
más de distinguir entre lo que se modela, también distingo diferentes
ANOTACIONES
tipos de sistemas de construcción de modelos y sus habilitaciones

para apoyar la construcción de modelos mentales. ¿Por qué es tan
importante la construcción de modelos?
La construcción de modelos es importante porque se trata de uno de

los procesos cognitivos que conlleva mayor relación conceptual. Resol-
ver problemas de diseño puede ser potencialmente más atractivo,
pero las tecnologías actuales alcanzan mejor los procesos de creación
18
de modelos que los de diseño. Construir modelos también es impor-

tante porque los modelos conceptuales construidos por la mayoría de
las personas suelen ser ingenuos, poco informados e inconsistentes
con las teorías establecidas. Aunque el desarrollo y cambio de las teo-
rías personales puede ser un proceso humano natural, las personas no
tienen una gran habilidad para ello. Las teorías personales y los mo-
delos conceptuales están llenos de malentendidos y conceptos inade-
cuados. Los aprendices deberían recibir ayuda a la hora de construir
modelos más completos y viables de los fenómenos que estudian.
aaa
¿Qué es construir modelos? Los conceptos cambian se-
gún las herramientas y los cambios que se estudien. La
mayoría de matemáticos y científicos creen tácitamente
que construir modelos es un proceso matemático, que
las representaciones cuantitativas son de lo más explí-
citas e informativas.
El primer objetivo de este proceso es definir la relación entre variables.
Ejemplo
Hestenes (1987) propuso un proceso de construcción de

modelos para el aprendizaje de la física que incluía cua-
tro estadios: describir las variables básicas y derivadas
de alguna forma en diagrama; formular las relaciones
basadas en las leyes de la física escribiendo ecuaciones;
dibujando ramificaciones de un modelo y validando de
forma empírica el modelo ramificado. Para Hestenes,
“el modelo es el mensaje” (p. 446), es decir, “a construc-
ción de modelos matemáticos debería ser el tema cen-
tral de la enseñanza de la física” (p. 453).
ANOTACIONES
Algunos investigadores creen que los modelos cualitativos son tan im-
portantes como los cuantitativos. La representación cualitativa es un
enlace perdido en la solución de problemas en el caso de aprendices
noveles (Chi, Feltovich, Glaser, 1981; Larkin, 1983). Cuando los estu-
diantes intentan comprender un problema de una única manera, es-
pecialmente cuando de esta manera no se llega a una información
conceptual del problema, entonces no entienden los sistemas más im-
19
portantes que en él tienen lugar. Es necesario, por consiguiente, ayu-

darles a construir una representación, tanto cualitativa como
cuantitativa, del problema. Las representaciones cualitativas de los
problemas obligan y facilitan a la vez la construcción de representa-
ciones cuantitativas (Ploetzner y Spada, 1998).
1.2.1. Construcción de modelos frente a consumo
La distinción más importante que debe hacerse es cómo se utilizan los

modelos. Los modelos son bastante habituales en la enseñanza de las
matemáticas y las ciencias, y se presentan también en otras disciplinas.
La mayoría de libros de ciencias presentan un modelo de ciertos fenó-
menos para facilitar la comprensión de los estudiantes y siguen este
modelo con problemas bien estructurados relacionados con aquellos
modelos que los aprendices deben solucionar.
Normalmente, los modelos se usan como motor intelectual en soft-

ware. Los sistemas tutoriales más inteligentes disponen de modelos
de aprendizaje, modelos expertos o de dominio y modelos tutoriales.
El razonamiento basado en los modelos se centra en un modelo ex-
plícito de los sistemas físicos que se están aprendiendo (de Koning y
Bredweg, 2001).
Ejemplo
Los micromundos, como Geometric Supposer y SimCalc,

entre otros, son ejemplos de entornos basados en mode-
los. En los micromundos, el modelo se encuentra implícito
en las opciones de exploración que facilita el software,
pero el modelo no se manifiesta de forma explícita. Y lo
que es más importante, el modelo es inmutable. Los estu-
diantes no sólo no pueden acceder a él, sino que no pue-
ANOTACIONES
den cambiarlo a no ser que manipulen un conjunto de

variables preseleccionadas dentro del modelo.
En este trabajo, cuando hablamos de construcción de modelos nos re-

ferimos a la construcción, manipulación o comprobación de modelos
que efectúa el estudiante. Algunas de las herramientas aquí descritas
facilitan un modelo que los estudiantes pueden manipular y compro-
bar, pero en otros casos se requiere que el estudiante construya y com-
20
pruebe los modelos. La forma más eficaz de estimular y valorar el

cambio conceptual radical es construir y comparar modelos que repre-
senten sistemas conceptuales desproporcionados. Cuando los estu-
diantes descubren anomalías o errores conceptuales en las estructuras
mediante los experimentos de construcción de modelos que represen-
tan sistemas desproporcionados, caben más posibilidades de que re-
visen y reestructuren sus propias estructuras conceptuales. En esta
propuesta, se pide a los estudiantes que reestructuren sus modelos
conceptuales de la biología de plantas de tierra con los modelos con-
ceptuales basados en el crecimiento de espacio limitado. Así, el obje-
tivo es que modelemos nuestra idea de que usar herramientas
informáticas para construir modelos computacionales de los fenóme-
nos científicos es el medio más efectivo para estimular y ayudar a los
estudiantes a efectuar un cambio conceptual rápido.
El cambio conceptual radical muy pocas veces es consecuencia de la

instrucción. ¿Por qué debería serlo, pues, de la construcción de mo-
delos? El cambio conceptual radical procede de las perturbaciones
creadas en los propios conceptos y que ponen en duda la compren-
sión (Ferrary y Elik, 2003). Para resolverlas, los estudiantes deben
usar la experiencia u otros procesos altamente atractivos como la
construcción de modelos y así comparar los conceptos opuestos.
(Dole y Sinatra, 1998)
1.3. ¿Qué modelamos?
Si es verdad que construir modelos puede ayudar a crear modelos

mentales, entonces los estudiantes deberían aprender a construir
modelos a partir de un conjunto de fenómenos. En este apartado
describiremos brevemente la gama de fenómenos que pueden mo-
ANOTACIONES
delarse mediante distintas herramientas, más adelante describire-

mos brevemente la naturaleza de algunas de estas herramientas.
La mayoría de estos modelos son lo que Lehrer y Schuble (2000) de-

nominan modelos sintácticos. Se trata de modelos formales que im-
ponen una sintaxis distinta al estudiante. Esta sintaxis lleva a una
correspondencia relacional entre el modelo y los fenómenos que re-
presenta. El objetivo de los modelos sintácticos es resumir la función
esencial del sistema que debe representarse.
21
1.3.1. Construcción de modelos de los conocimientos

dominantes
El objetivo principal del uso de los modelos en la enseñanza de las

matemáticas y la ciencia ha ido encaminado a construir modelos de
ideas dentro de los campos de la matemática y la ciencia. En la edu-
cación secundaria y el bachillerato los estudiantes utilizan herra-
mientas informáticas para construir modelos, como los
micromundos, herramientas para construir modelos de sistemas u
otras herramientas cualitativas, con el fin de construir su modelo de
sistemas científicos.
Ejemplo
Por ejemplo, la figura 1 ilustra el uso del micromundo,

ThinkerTools, para construir modelos y experimentar
con principios relacionados con las trayectorias dentro
del campo de la física. El usuario ejerce un impulso so-
bre el punto antes de lanzarlo. Puede explorarse la re-
lación entre los impulsos o las fuerzas del vector en la
trayectoria de los puntos. En la figura 1 puede verse
que se han aplicado las fuerzas correctas de vectores.
Figura 1. Construir modelos de principios de trayectorias en el campo

de la física, mediante ThinkerTools.
ANOTACIONES
22
Los estudiantes pueden utilizar una amplia gama de herramientas

para construir modelos.
Ejemplo
La figura 2 muestra principios geométricos modelados

con Cabri, una herramienta de visualización geométri-
ca de Texas Instruments. En cada uno de estos mode-
los, los estudiantes representan principios dominantes
que están estudiando. Las herramientas para construir
modelos les permiten comprobar sus modelos menta-
les de los fenómenos que están estudiando.
Figura 2. Modelo geométrico de Cabri
Sin embargo, en ambos ejemplos se encuentran implícitos modelos

subyacentes. Los principios se ejemplifican en las representaciones,
ANOTACIONES
pero los modelos se encuentran implícitos. Es decir, la relación entre

las variables no se expresa de forma explícita.
1.3.2. Construir modelos problema
Otro tema importante y poco estudiado es el uso de las herramientas

de modelado para desarrollar modelos explícitos de problemas que
los estudiantes intentan resolver. En estas aplicaciones, los estudian-
23
tes representan el espacio del problema (Jonassen, 2003). En gene-

ral, se acepta que a la hora de resolver problemas, las personas no
necesitan construir ningún tipo de representación interna (modelo
mental) de un problema (espacio del problema) para resolverlo. Es-
tas representaciones personales del problema tienen las siguientes
funciones (Savelsbergh, de Jong, y Ferguson-Hessler, 1998):
• Dirigir una interpretación posterior de la información sobre el

problema.
• Simular el comportamiento del sistema basado en el conocimien-

to sobre las propiedades del sistema.
• Asociar e impulsar un esquema concreto de solución (procedi-

miento).
Los espacios de un problema se construyen mentalmente seleccio-

nando y mapeando relaciones específicas del problema (McGuin-
ness, 1986). El supuesto fundamental de este artículo es que el hecho
de usar las herramientas de modelado para crear modelos físicos, vi-
suales o computacionales externaliza los modelos mentales de los
estudiantes. En relación con la solución de problemas, la construc-
ción de modelos visuales y computacionales de los problemas exter-
naliza los espacios de los problemas internos de los estudiantes. La
construcción de modelos de espacios de problema es importante
para toda clase de problemas. A medida que aumenta la compleji-
dad del problema, resulta más importante producir representaciones
eficaces; y la eficacia de las representaciones depende de la organi-
zación, la integración o la coherencia (McGuinness, 1986).
Aunque hay muchas herramientas informáticas de modelado que

ANOTACIONES
ayudan a la construcción de modelos cuantitativos de problemas, la

construcción de modelos cualitativos de problemas es de igual o ma-
yor importancia. Las representaciones cualitativas asumen muchas
formas y organizaciones distintas; pueden ser espaciales o verbales
y pueden organizarse de distintas formas. Son más físicas que numé-
ricas: las representaciones físicas de los problemas consisten en en-
tidades que se fijan en campos concretos (por ejemplo, la física), y
las normas de inferencia que las conectan y les dan un significado
son cualitativas (Larkin, 1983).
24
Figura 3. Extracto de una base de reglas de un sistema experto

de estequiometría
Las representaciones cualitativas tienen la función de:
• Explicar información que sólo aparece implícitamente en las

descripciones de los problemas pero que es importante para su
solución.
ANOTACIONES
• Aportar precondiciones sobre las que se pueda aplicar el conoci-

miento cuantitativo.
• El razonamiento cualitativo ayuda a la construcción del conoci-

miento cuantitativo no disponible en un principio y establece un
conjunto de restricciones que aportan directrices para un razona-
miento cuantitativo (Ploetzner y Spada, 1993).
25
Figura 4. Sistemas de modelos dinámicos de problemas

de estequiometría según Stella
De hecho, Ploetzner, Fehse, Kneser y Spada (1999) demostraron que

a la hora de resolver problemas de física, las representaciones cua-
litativas de los problemas son requisitos necesarios para aprender re-
presentaciones cuantitativas. Cuando los estudiantes intentan
entender un problema sólo de una manera, no entienden los siste-
mas subyacentes que están trabajando.
La figura 3 muestra un modelo cualitativo de un simple

ANOTACIONES
problema de química de conversión molar, mediante

un sistema experto. Es decir, los estudiantes construye-
ron un sistema de reglas de producción que describe la
lógica necesaria para resolver el problema.
Las representaciones cualitativas ayudan a la solución de problemas

cuantitativos. Las mejores soluciones de problemas pueden surgir in-
tegrando modelos cualitativos y cuantitativos. Esta integración aún
26
puede verse más respaldada en las herramientas para construir mo-

delos de sistemas, como el de Stella, que aportan representaciones
cuantitativas de las relaciones entre aquellos componentes de pro-
blemas que se expresan de forma cualitativa.
La figura 4 muestra un modelo Stella de un problema

de estequiometría, y aporta tanto las representaciones
cuantitativas, como las cualitativas del problema.
1.3.3. Construir modelos de sistemas
Los contenidos de los problemas también pueden concebirse como

sistemas. Cuando se estudia el contenido como si fueran sistemas,
más que centrarse en hechos concretos o características de los fenó-
menos, los aprendices desarrollan una perspectiva del mundo mu-
cho más integrada. Hay distintas concepciones sistémicas del mundo
que están relacionadas, incluyendo pensamientos de sistemas abier-
tos, pensamientos de sistemas humanos o sociales y procesos de sis-
temas, pensamientos de sistemas de reacción, dinámica de sistemas,
sistemas de control o cibernética, la teoría de la actividad y los siste-
mas de vida más comunes.
Figura 5. Construcción de modelos del sistema circulatorio c

on Model-It.
ANOTACIONES
27
Figura 6. Construcción de modelo del efecto de un huracán

en Bryzoan con EcoBeaker.
ANOTACIONES
Todas estas concepciones comparten atributos similares, como por

ejemplo un todo irreducible, un modelo de organización autoproductor,
las partes interdependientes, el hecho de que funcionen accionados por
el objetivo, el control de reacción, el automantenimiento y la autorregu-
lación. El hecho de requerir a los estudiantes que organicen su objeto de
estudio en sistemas relevantes que interactúen unos con otros les aporta
una perspectiva del mundo mucho más holística e integrada.
28
Ejemplo
Existe una variedad de herramientas informáticas que

apoyan el pensamiento de sistemas. Basados en diná-
mica de sistemas, herramientas como Stella, PowerSim
y VenSim proporcionan herramientas sofisticadas para
construir modelos de sistemas. Estas herramientas per-
miten a los estudiantes construir modelos de sistemas
de fenómenos, mediante el razonamiento hipotético-
deductivo.
Los estudiantes deben construir los modelos antes de comprobarlos.
La figura 5 muestra una perspectiva sistémica del sis-

tema circulatorio, construida con Model-It, una he-
rramienta simplificada para construir modelos de
sistemas que ha desarrollado el grupo HI-CE en la
Universidad de Michigan para estudiantes de secun-
daria. Esta herramienta identifica relaciones entre
variables. En vez de introducir fórmulas para descri-
bir relaciones, los estudiantes deben identificar la di-
rección de la relación y el efecto potencial que tiene
una variable sobre otra.
Existe otra clase de herramienta que permite que el estudiante cons-

truya inductivamente modelos de sistemas. Los micromundos como
StarLogo, AgentSheets y Eco-Beaker permiten construir reglas sobre
la naturaleza del comportamiento en sistemas y comprobar su efecto
de forma inmediata.
ANOTACIONES
La figura 6 construye un modelo de crecimiento de or-

ganismos diminutos dentro de un entorno, perturba
este entorno y vuelve a comprobar las pautas de creci-
miento. En este caso, el modelo muestra los efectos de
un huracán en el crecimiento de Bryzoa.
Estas herramientas, más que simples sistemas, representan una pers-

pectiva del mundo teóricamente compleja; es decir, exploran la na-
turaleza autoorganizadora de los fenómenos del mundo.
29
1.3.4. Construir modelos de experiencias (historias)
Las historias pueden funcionar como sustituto de la experiencia di-

recta. Si asumimos que aprendemos de las experiencias, deberíamos
ser capaces de aprender de las historias que cuentan experiencias. Al-
gunas personas creen que escuchar historias es equivalente a experi-
mentar los fenómenos uno mismo (Ferguson, Bareiss, Birnbaum, y
Osgood, 1991). En otras palabras, las estructuras de la memoria
utilizadas para entender la historia son las mismas que las que se
usan a la hora de llevar a cabo una tarea. Teniendo en cuenta la
falta de experiencias por parte de los principiantes, las experien-
cias de historias o casos que pueden obtener en una biblioteca
aumentan su repertorio de experiencias. El razonamiento a partir
de historias o casos ayuda a resolver problemas.
¿Por qué las historias son importantes para la comprensión? Porque

todo lo que sabemos lo recordamos en forma de historias. Las historias
son formalismos ricos y poderosos para narrar y describir recuerdos.
Así pues, una forma de entender lo que las personas saben es analizar
sus historias. El medio que nos permite analizarlas se llama razona-
miento basado en casos (RBC), –en inglés Cased-Based Learning.
aaa
El RBC es un método de inteligencia artificial para re-
presentar los conocimientos de las personas. El RBC
sostiene que los conocimientos se almacenan en la me-
moria en forma de historias (Schank, 1990). Cuando
se encuentran con una situación nueva, las personas la
analizan e intentan recuperar una situación que ya ha-
yan experimentado y que se parezca a la situación ac-
tual. Aparte de la información sobre la situación,
ANOTACIONES
también recuperamos lo que aprendimos de aquella si-

tuación. Los problemas nuevos se resuelven encontran-
do casos similares del pasado y aplicando las lecciones
de aquella experiencia en este nuevo caso.
Por consiguiente, los estudiantes pueden impulsar el cambio concep-

tual construyendo modelos de las experiencias de otras personas, es
decir, recogiendo historias sobre las experiencias de otros.
30
La base de datos de la figura 7 cuenta una de las mu-

chas historias que se han recogido sobre el conflicto en
Irlanda del Norte. La base contiene muchas historias
que se han indexado por cuestión, tema, contexto, ob-
jetivo, razonamiento, religión, etc. Contiene muchas
cuestiones, temas y contextos. En este ejemplo, los es-
tudiantes aprenden sobre el horror de los conflictos re-
ligiosos examinando la experiencia de otros. Las bases
de datos facilitan este proceso de aprendizaje, permi-
tiendo que los profesores busquen en cualquier ámbito
para colocar casos o resultados semejantes.
Cuando los estudiantes analizan historias para entender estos

problemas, entienden mejor la complejidad fundamental del
campo de contenido. Recoger e indexar las historias es construir
modelos de las experiencias de las personas; como estas expe-
riencias son diferentes, representan perspectivas y creencias múl-
tiples. Encontrar esta diversidad de creencias es la mejor manera
de percibir que hay que cambiar los modelos conceptuales de
cada persona sobre el mundo.
Figura 7. Entrada en una base de datos sobre historias de Irlanda del Norte.
ANOTACIONES
31
Si se quieren usar bases de datos para capturar historias, se deben

identificar casos o historias. Los casos indican situaciones, sucesos,
experiencias, problemas, etc. Cuando hablamos de situaciones, nos
referimos a una descripción de las situaciones (contexto, objetivo,
etc.), las soluciones que se escogieron y lo que se aprendió al utili-
zarlas (Kologner, 1993). La situación del problema se define a partir
de los objetivos que quieren conseguirse resolviendo el problema, las
restricciones para llegar a los objetivos y cualquier característica del
problema. Cuando se recogen historias de revistas, informes de no-
ticias, entrevistas personales o cualquier otro medio y se analizan,
deben indexarse identificando cierta combinación de objetivos, res-
tricciones, descripciones situacionales, temas, soluciones, resultados
y lecciones en una base de datos. Aprender, según la perspectiva del
RBC, es un proceso de indexar y rellenar lecciones basadas en expe-
riencias y reutilizarlas en situaciones futuras semejantes.
1.3.5. Construir modelos de pensamiento (simulaciones

cognitivas)
Existe otra clase de construcción de modelos que permite el desarro-

llo de procesos de pensamiento. Más que construir modelos de con-
tenidos o sistemas, los aprendices construyen modelos del tipo de
pensamiento que necesitan para actuar a la hora de resolver un pro-
blema, tomar una decisión o terminar cualquier otra actividad. Es
decir, los estudiantes pueden utilizar herramientas informáticas para
construir simulaciones cognitivas
aaa
[...] las simulaciones cognitivas son programas informá-
ticos que representan modelos de actividades cognitivas
humanas.” (Roth, Woods, y People, 1992, p. 1163)
ANOTACIONES
Tienen como objetivo construir modelos de estructuras mentales y

procesos cognitivos humanos.
aaa
“El programa informático contiene representaciones
explícitas de procesos mentales y estructuras de cono-
cimiento ya propuestos.” (Kieras, 1990, pp. 51-52)
32
El objetivo primordial de las simulaciones cognitivas es intentar

externalizar procesos mentales para la construcción de análisis y
teorías. Las usan sobre todo los ingenieros para construir sistemas
tutoriales elaborados, pero hemos descubierto que también los
jóvenes estudiantes pueden reflexionar sobre su pensamiento
para construir este tipo de simulaciones. Jonassen (en prensa)
describe el proceso de construcción de una simulación cognitiva
de un razonamiento metacognitivo mediante la protección de sis-
tema experto.
La figura 8 muestra actores seleccionados a partir de

esta base de conocimiento. Se pidió a los estudiantes
que meditaran sobre cómo usaban ellos el control eje-
cutivo y las actividades de control de comprensión a la
hora de estudiar. Lippert (1988) afirmaba que hacer
que los estudiantes construyan pequeñas bases de co-
nocimiento es un método útil para enseñar a resolver
problemas y a estructurar el conocimiento para estu-
diantes desde sexto grado hasta la edad adulta.
Figura 8. Factores metacognitivos en la simulación cognitiva
ANOTACIONES
33
El aprendizaje resulta más significativo porque los estudiantes no

sólo valoran sus propios procesos de pensamiento, sino también el
producto de estos procesos.
También hemos experimentado con herramientas de dinámicas de

sistemas para la construcción de simulaciones cognitivas.
La figura 9 ilustra un modelo de memoria de Stella;

Stella es una herramienta de dinámicas de sistemas
para representar las relaciones dinámicas entre fenó-
menos de sistemas. Tanto los sistemas expertos como
las dinámicas de sistemas permiten a los estudiantes la
construcción y comprobación de las suposiciones y fun-
cionamiento de sus modelos.
Figura 9. Modelo de memoria Stella.

ANOTACIONES
34
1.4. Tipos de sistemas de aprendizaje basados

en modelos
Como hemos visto en el apartado anterior, cuando se describían los

aspectos de sistemas que pueden modelarse, hay muchas clases de
herramientas disponibles para construir modelos de una amplia
gama de fenómenos. Éstas varían en características, funcionalidad y
habilitaciones. Cada una de ellas usa una estructura y una sintaxis
distintas para construir modelos de fenómenos. Pueden sustituirse
unas por otras, pero no siempre con consecuencias positivas. Cada
tipo de herramienta implica combinaciones distintas de pensamiento
crítico, creativo y complejo (Jonassen, 2000).
Una de las diferencias más importantes dentro de estas herramientas

es la claridad del modelo subyacente. Algunas herramientas son sis-
temas de caja negra, en los que el estudiante puede introducir infor-
mación y manipular las características de los sistemas, comprobando
los efectos de las manipulaciones teóricas. La mayoría de simulacio-
nes y micromundos son de este tipo. Se trata de entornos explorato-
rios que abastecen a los aprendices con la oportunidad de
comprobar los efectos causales de las manipulaciones, pero el mo-
delo básico que define los parámetros del sistema está escondido.
Otras herramientas, como las de construcción de modelos de siste-
mas, son sistemas de caja de cristal, en los que el estudiante no sólo
investiga el modelo subyacente, sino que puede cambiarlo. De he-
cho, los sistemas de este tipo necesitan que el estudiante construya el
modelo de forma explícita antes de comprobarlo. Creo que este úl-
timo tipo de herramientas de construcción es mejor para representar
modelos mentales y hacer entrar a los estudiantes en un nivel de
transformación más profundo.
ANOTACIONES
Describiré brevemente distintas clases de herramientas para la cons-

trucción de modelos.
1.4.1. Construcción de simulaciones deductivas
Hay un tipo de herramientas que construyen modelos de sistemas,

incluyendo Stella, PowerSim, VenSim y Model-It, que permiten que el
estudiante construya y compruebe modelos de sistemas cerrados
35
controlados por reacción. Basándose en dinámicas de sistemas, los

estudiantes construyen representaciones conceptuales utilizando un
simple conjunto de iconos de bloque para construir un mapa de un
proceso: valores, flujos, conversores y conectores (véase la figura 9).
Los valores ilustran el nivel de alguna variable en la simulación.
En la figura 9, la información en la memoria a largo

plazo y la información en la memoria a corto plazo son
valores. Los flujos controlan el flujo entrante y saliente
de material en los valores. Almacenando y olvidando
son flujos. Los flujos a menudo se compensan unos a
otros, como las influencias positivas y negativas en los
giros normales. Por ejemplo, olvidando es una influen-
cia controladora negativa de la información en la me-
moria a largo plazo. Los conversores convierten las
entradas en salidas. Son factores o razones que influ-
yen en los flujos. Olvido es un conversor. Los converso-
res se usan para añadir complejidad a los modelos y
así representar mejor la complejidad del mundo real.
Finalmente, los conectores son las líneas que muestran
mediante flechas el efecto direccional que tiene cada
factor sobre otro.
Estos modelos son dinámicos, es decir, se caracterizan por la acción

o el cambio en los estados. Así, un modelo de simulación dinámica
es aquel que representa conceptualmente la naturaleza cambiante
de fenómenos de sistemas de una forma similar al fenómeno real.
Estas simulaciones son representaciones sintácticas de la realidad. Lo
que distingue estos modelos del siguiente tipo es que el modelo se
concibe y se implementa antes de ser comprobado; se trata de un
ANOTACIONES
modelo hipotético-deductivo.
Este tipo de modelos también puede construirse utilizan-

do una hoja de cálculo. El modelo de la figura 10, por
ejemplo, ha sido construido por estudiantes que querían
comprobar los efectos de una serie de resistores. Se ex-
plica en las fórmulas introducidas en cada celda.
36
Si lo hubiera construido el profesor para que los estudiantes manipu-

laran y comprobaran los efectos, funcionaría más como un micro-
mundo, en el cual los estudiantes exploran simulaciones de caja
negra.
Figura 10. Modelo de series de resistor, construido en una hoja de cálculo.
1.4.2. Construcción de modelos inductivos de simulación
Existe otra clase de herramientas de construcción de modelos que utiliza

una aproximación más inductiva para la construcción de simulaciones.
Herramientas como Agent Sheets, Star Logo y GenScope permiten cons-
truir modelos más abiertos de sistemas de fenómenos. Más que identi-
ficar todos los componentes del modelo antes de construirlo, los
aprendices, utilizando estos entornos, identifican los componentes del
ANOTACIONES
modelo y los añaden a medida que van avanzando. Cada vez que se
añada un elemento, se puede comprobar el modelo para observar el
efecto del nuevo elemento en el funcionamiento del sistema.
1.4.3. Exploración de modelos de caja negra o simulaciones
La mayoría de simulaciones construidas para que los estudiantes

exploren y experimenten no explican el modelo implícito, sino que
37
permiten la manipulación de variables y la comprobación de los

resultados de estas manipulaciones; entonces, los estudiantes pue-
den generar hipótesis sobre las relaciones entre las variables y
examinarlas.
Ejemplo
Los micromundos, como ThinkerTools (Figura 1; White,

1993), Boxer (di Sessa, 1986), Geometric Supposer
(Schwartz y Yerulshalmy, 1987) y otros, requieren que
los estudiantes construyan como mínimo un modelo
implícito del sistema con el fin de generar hipótesis y
examinarlas.
1.4.4. Modelos causales cualitativos
Los sistemas expertos son programas de inteligencia artificial diseñados

como expertos simulados para facilitar la toma de decisiones en todo
tipo de problemas. Un sistema experto es un programa informático que
pretende simular la manera como los expertos humanos resuelven un
problema: una toma de decisiones artificial. Se construyen con hechos
y con una serie de reglas SI-ENTONCES, y el que los construye debe
identificar todas las decisiones y resultados posibles, todos los factores
que pueden influir en cada decisión, y construir entonces las reglas que
conecten todas las condiciones de sistema posibles con las conclusiones
o resultados posibles. Construir sistemas expertos es un proceso de
construcción de modelos del conocimiento que permite a expertos e in-
genieros construir modelos conceptuales (Adams-Webber, 1995). Aun-
que hay muchas herramientas que construyen modelos de sistemas y
otro tipo de herramientas que se basan en representaciones cuantitati-
vas de relaciones entre factores, los sistemas expertos se basan en des-
ANOTACIONES
cripciones cualitativas de relaciones causales.
1.4.5. Herramientas de construcción de modelos

semánticos
Las herramientas para la representación de relaciones semánticas

dentro de un campo de conceptos, como las herramientas de redes
semánticas, el mapeo de conceptos y las bases de datos, permiten la
38
representación de asociaciones semánticas entre conceptos domi-

nantes. Sin embargo, estas herramientas no pueden construir mode-
los de relaciones causales dinámicas, sino sólo de la información
asociacional sobre un campo de conceptos relacionados. Facilitan
representaciones matrices y espaciales de los conceptos y sus interre-
laciones, intentando que representen las estructuras de conocimiento
que los seres humanos almacenan en la mente (Jonassen, Beissner,
y Yacci, 1993).
¿Por qué crear redes semánticas? El aprendizaje significativo exige

que los estudiantes conecten nuevas ideas al conocimiento que ya
han construido. Los mapas conceptuales y las bases de datos ayudan
a organizar sus conocimientos mediante la integración de la infor-
mación en un marco conceptual cada vez más complejo.
1.4.6. Advertencias críticas sobre las herramientas

de construcción de modelos
Ya hemos afirmado anteriormente que el residuo cognitivo del

aprendizaje significativo es un modelo de lo que se está apren-
diendo de forma significativa. Además, también he afirmado que
construir modelos ayuda a la creación de modelos mentales. Si es
así, entonces debemos preguntarnos si los modelos que constru-
yen los estudiantes demuestran que, dentro del modelo o en su
proceso de construcción, existen conocimientos estructurales, pro-
cedimentales, reflexivos, imaginarios, metafóricos o ejecutivos y
creencias sobre estos conocimientos. Muchas veces no poseen esta
clase de conocimiento porque las herramientas usadas por los es-
tudiantes se basan en un tipo determinado de representación. Si
los modelos mentales no se desarrollan suficientemente como re-
sultado de la construcción de modelos, puede que sea necesario
ANOTACIONES
usar más de un tipo de herramienta para representar los fenóme-

nos. Es decir, la construcción de modelos mentales probablemente
se impulsará si los estudiantes utilizan más de una herramienta
para construir modelos de un campo, un problema, un sistema,
una estructura semántica o un proceso de pensamiento. Será ne-
cesaria más investigación para determinar el número de herra-
mientas y el tipo de combinaciones que harán más fácil la
construcción de modelos mentales.
39
1.5. Valorar el cambio conceptual con modelos

construidos por estudiantes
Además de impulsar un cambio conceptual radical en los estu-

diantes mediante los experimentos, esta propuesta también quiere
validar métodos para valorar el cambio conceptual. Aunque exis-
ten muchos informes teóricos sobre el cambio conceptual (Limon
y Mason, 2002; Schnotz, Vosniadou, y Carreter, 1999; Sinatra y
Pintrich, 2003), hay muy pocos trabajos que estudien cómo valo-
rar de manera efectiva el cambio conceptual. Los métodos domi-
nantes utilizados incluyen el análisis de los protocolos de
interacción de los estudiantes a la hora de resolver o explicar un
problema (Hogan y Fisherkeller, 2000), en entrevistas estructura-
das (Southerland, Smith, y Cummins, 2000) y en el uso de mapas
conceptuales (Edmundson, 2000). El análisis de los protocolos de
entrevistas y conversaciones es muy difícil y largo. Por este motivo,
proponemos evaluar la validez actual del mapeo de conceptos y
la modelación de sistemas o la valoración del cambio conceptual.
Se podrá conseguir comparando estos dos métodos de construc-
ción de modelos con los protocolos de conversación y entrevista.
Estas herramientas presuponen que el cambio conceptual puede

valorarse comparando las estructuras cognitivas de los estudian-
tes (Vosniadou, 1992). El uso de mapas conceptuales presupone
que los cambios en la estructura cognitiva pueden valorarse me-
diante mapas conceptuales u otras técnicas estructurales del co-
nocimiento (Jonassen, Beissner, y Yacci, 1993) y que los cambios
en la estructura cognitiva son valoraciones válidas del cambio
conceptual. Los mapas conceptuales han demostrado ser valora-
ciones válidas de las estructuras cognitivas (Jonassen, 1987). Los
protocolos se analizarán mediante análisis de conversaciones
ANOTACIONES
(Chi, 1997).
Los modelos se valorarán utilizando la coherencia explicativa

(Thagard, 1992) y valoraciones de fijación y calidad (Fisher,
2000). También examinaremos las relaciones entre los experi-
mentos diseñados por los estudiantes, los sistemas robóticos y las
cámaras de crecimiento, y los mapas conceptuales y modelos de
sistemas que producen.
40
1.6. Bases para la construcción de modelos
Schwarz y White (en prensa) afirman que la construcción de modelos

es fundamental para la cognición humana y la investigación científi-
ca. Creen que ayuda a los estudiantes a expresar y externalizar su
pensamiento; visualizar y comprobar los componentes de sus teorías
y hacer que los materiales sean más interesantes.
A continuación, resumiremos algunas de las razones para construir

modelos con el objetivo de impulsar el aprendizaje significativo y la
construcción de modelos mentales:
• La construcción de modelos es un fenómeno cognitivo natural. Al

encontrarse con fenómenos desconocidos, los seres humanos
empiezan a construir de manera natural teorías sobre estos fenó-
menos como parte esencial del proceso de comprensión.
• La construcción de modelos ayuda a hacer conjeturas, comprobar

e inferir hipótesis y una gran cantidad de habilidades cognitivas
importantes.
• Construir modelos requiere que los estudiantes articulen un razo-

namiento causal, que es la base de la mayoría de modelos de
cambio conceptual.
• Construir modelos lleva a un nivel más alto de compromiso con-

ceptual, importante premonitor del cambio conceptual (Dole y Si-
natra, 1998).
• Construir modelos tiene como consecuencia la construcción de

ANOTACIONES
artefactos cognitivos (modelos mentales) mediante la construc-

ción de artefactos físicos.
• Cuando los estudiantes construyen modelos, son propietarios del

conocimiento. La propiedad del estudiante es importante para la
construcción de significado y de conocimiento. Cuando son pro-
pietarios de las ideas, los estudiantes quieren poner más esfuerzo,
defender sus posiciones y razonar de manera efectiva.
41
• Construir modelos ayuda al desarrollo de creencias epistémicas.

En la base del aprendizaje se encuentran las creencias de las per-
sonas sobre lo que son el conocimiento y la verdad, y sobre cómo
desarrollamos estas creencias. Desde un punto de vista biológico,
aceptamos que los humanos se han adaptado muy bien al apren-
dizaje gracias al tamaño de su córtex. Pero ¿qué es lo que lleva a
las personas a aprender? Sociólogos y psicólogos hablan de ne-
cesidades de realización, que aportan un motivo conativo para el
aprendizaje. Sin embargo, epistemológicamente, ¿qué es lo que
motiva nuestros esfuerzos para entender el mundo? Según Witt-
genstein, lo que sabemos se basa en la posibilidad de la duda.
Sabemos muchas cosas, pero nunca podemos tener la certeza de
saberlas. Esta incertidumbre sólo puede modificarse con los es-
fuerzos para saber más sobre el mundo. Las herramientas de
construcción de modelos permiten a las personas externalizar y
comprobar sus creencias epistemológicas sobre el significado de
las construcciones epistemológicas, como el conocimiento y la
verdad, y sobre cómo estas creencias pueden cambiar con el
tiempo.
• Construir modelos aporta espacios colectivos de trabajo que lle-

van a motivos más fuertes de colaboración.
1.7. Limitaciones para la construcción de modelos
Aunque hemos defendido el uso de las tecnologías como herramien-

tas de construcción de modelos, es necesario analizar sus posibles li-
mitaciones.
• Carga cognitiva. La habilidad, el tiempo y el esfuerzo para apren-

ANOTACIONES
der las habilitaciones de los distintos formalismos. Aunque Jonas-

sen (2000) ha defendido que la mayoría de estas herramientas
pueden aprenderse más o menos en una hora, hay otras que re-
quieren más tiempo. Además, si se usan frecuentemente se con-
seguirá una familiarización con las herramientas.
• Contradicciones. Desde un marco teórico de actividad (Barab,

Evans, y Baek, en prensa), una dimensión de este sistema de ac-
42
tividad reconceptualizado, potencialmente importante para el di-

seño, es el concepto de contradicción. Según Engeström (1987),
cualquier sistema de actividad dispone de cuatro niveles de con-
tradicciones que es necesario tener en cuenta durante el análisis
de una situación de aprendizaje y de trabajo. Son las siguientes:
– Nivel 1: La primera contradicción aparece en cada elemento

de la actividad central que se está investigando; surge de la
tensión entre el valor de uso y el valor de intercambio.
– Nivel 2: La segunda contradicción aparece entre los elementos

constituyentes del sistema de actividad central (por ejemplo,
entre el tema y la herramienta).
– Nivel 3: La tercera contradicción aparece entre el objeto/mo-

tivo de la actividad central y el objeto/motivo de una forma cul-
turalmente más avanzada que la de la actividad central.
– Nivel 4: La cuarta contradicción aparece entre la actividad

central y las adyacentes, como las actividades de producción
de instrumentos, temas o reglas.
Ejemplo
Para poner un ejemplo empírico de esta idea, Barab,

Barnett, Yamagata-Lynch, Squire, y Keating (en prensa)
utilizaban la teoría de la actividad como una lente ana-
lítica para entender las transacciones y tensiones pene-
trantes que caracterizaban las actividades de curso. Si
nos basamos en su análisis, interpretaron tensiones del
curso y contradicciones en el marco de todo el sistema
de actividad de curso, modelado de una forma general
ANOTACIONES
usando la inscripción triangular de Engeström (1987)

para construir un modelo de la estructura básica de la
actividad humana (véase la figura 3). Todos los com-
ponentes que Engeström consideraba actividad consti-
tuyente se representan en negrita en las esquinas del
triángulo.
43
2. Aprender a solucionar problemas
2.1. ¿En qué consiste la resolución de problemas?
aaa
Antes que nada, ¿qué es un problema? Sólo existen
dos atributos importantes de un problema. Un pro-
blema es algo que se desconoce, es decir, si tenemos
un objetivo y no sabemos cómo llegar a él, hay algo
que no conocemos, tenemos un problema. El segun-
do atributo es que lo desconocido debe tener algún
valor social, cultural o intelectual para alguien. Si no
hay nadie que crea que vale la pena descubrir lo
desconocido, entonces no se ha percibido ningún
problema. El proceso de solución de un problema es
encontrar lo desconocido.
Como proceso, solucionar un problema tiene dos características prin-

cipales. La primera es que requiere una representación mental de la
situación en el mundo. Eso quiere decir que al solucionar problemas
humanos, se construye una representación mental del problema, que
recibe el nombre de “espacio del problema” (Newell y Simon, 1972).
La segunda característica es que solucionar un problema requiere cier-
ta manipulación activa del espacio del problema. Cuando manipula-
mos el espacio del problema, representamos sus componentes y
dimensiones, generamos hipótesis sobre cómo encontrar lo descono-
ANOTACIONES
cido, probamos estas hipótesis y llegamos a conclusiones. Por con-

siguiente, la manipulación del espacio del problema, ya sea una
representación mental interna o una manipulación física externa,
implica necesariamente una actividad consciente. Otra complica-
ción a la hora de solucionar un problema es que no todos los pro-
blemas son iguales, así que se necesitan diferentes procesos de
solución. Lo desconocido es que no sabemos cómo resolver distin-
tas clases de problemas.
45
2.2. Variedad de problemas
Durante las últimas tres décadas han surgido distintas teorías sobre
la solución de problemas.
Ejemplo
Un modelo conocido es el IDEAL (Bransford y Stein,

1984), que describe la solución de problemas como un
proceso uniforme de Identificar problemas potenciales,
Definir y representar el problema, Explorar posibles es-
trategias y Actuar sobre estas estrategias, y Mirar atrás
(del inglés Look back) y valorar los efectos de estas ac-
tividades.
Gick (1986) sintetizó las teorías de solución de problemas en un modelo

simplificado del proceso de solución de problemas, buscando solucio-
nes para después implementarlas y controlarlas. Como la mayoría de
teorías de solución de problemas, ésta trata todos los problemas de la
misma forma. Estas teorías asumen que si estos procesos se aplican a
diferentes tipos de problemas, se consiguen resultados satisfactorios.
Sin embargo, la solución de problemas no es una actividad uniforme.

Los problemas no son equivalentes ni en contenido, ni en forma, ni en
proceso. ¿En qué se diferencian? Mayer y Wittrock (1996) han descrito
los problemas como mal definidos/bien definidos y rutinarios/no rutina-
rios. Jonassen (1997) distingue entre problemas mal o bien estructura-
dos y describe diferencias en el procesamiento cognitivo de estos dos
tipos. Smith (1991) distingue los factores externos, entre los que encon-
tramos el dominio y la complejidad, de las características internas del
solucionador de problemas. Cada vez hay más conformidad respecto a
la variabilidad de los problemas en lo que se refiere a sustancia, estruc-
ANOTACIONES
tura y proceso. A continuación, describiré como mínimo tres maneras en

las que los problemas y su solución varían: estructuración, complejidad
y especificidad de campo (abstracción).
2.2.1. Estructuración
Como hemos señalado, Jonassen (1997) distingue entre problemas

mal y bien estructurados y recomienda diferentes modelos de diseño
46
para cada tipo, porque requieren distintas habilidades. Los proble-

mas más comunes, sobre todo en escuelas y universidades, son pro-
blemas bien estructurados. Normalmente, se encuentran al final de
cada capítulo de los libros de texto y requieren la aplicación de un
número determinado de conceptos y reglas, así como el estudio de
principios en una situación problemática restrictiva. También se les
llama problemas de transformación, que consisten en un estado ini-
cial bien definido, un objetivo conocido y un grupo restrictivo de ope-
radores lógicos. Los problemas bien estructurados presentan todos
los elementos del problema; requieren un número limitado de reglas
y principios que se organizan en una disposición previsible y pres-
criptible; poseen respuestas correctas y convergentes, y tienen un
proceso de solución presentado y prescrito (Jonassen, 1997).
Por otro lado, los problemas mal estructurados son aquellos que se
encuentran en las actividades diarias, por lo que resultan típicamente
emergentes. Por el hecho de que no estén restringidos por los cam-
pos de contenido que se estudian en clase, sus soluciones no son pre-
decibles ni convergentes. Estos problemas requieren a menudo la
integración de varios campos de contenido. Las soluciones a proble-
mas como la contaminación medioambiental requieren componen-
tes de matemáticas, ciencia, política y psicología. Pueden darse
muchas soluciones alternativas. Los problemas mal estructurados tie-
nen unos objetivos vagamente definidos o poco claros, y restricciones
no expuestas; tienen muchas soluciones, vías de solución o ninguna
solución y requieren que los estudiantes expresen su opinión perso-
nal o sus creencias sobre el problema, así que hablamos únicamente
de actividades humanas interpersonales (Jonassen, 1997).
Los investigadores han asumido desde hace tiempo que aprender a

solucionar problemas bien estructurados se transfiere de manera po-
sitiva hacia el aprendizaje de problemas mal estructurados. Mientras
ANOTACIONES
que las teorías del procesamiento de información han creído que “en
general, los procesos utilizados para resolver problemas mal estruc-
turados son los mismos que los utilizados para los problemas bien
estructurados” (Simon, 1978, p. 287), investigaciones recientes de la
solución de problemas diarios aclaran que existen marcadas diferen-
cias entre el pensamiento necesario para resolver problemas conver-
gentes y el que sirve para resolver problemas diarios. Dunkle,
Schraw, y Bendixen (1995) concluyen que solucionar problemas bien
definidos es independiente de realizar tareas mal definidas, y que los
47
problemas mal definidos requieren un conjunto distinto de creencias

epistémicas. Hong, Jonassen, y McGee (en prensa) observan que re-
solver problemas mal estructurados en una simulación requiere dife-
rentes habilidades que resolver problemas bien estructurados, entre
las cuales se encuentran la metacognición y la argumentación. Jo-
nassen y Kwon (2001) afirman que las pautas de comunicación en
equipos difieren a la hora de solucionar problemas bien y mal estruc-
turados. Es evidente que hace falta más investigación que justifique
estas observaciones, pero es obvio que estos dos tipos de problemas
requieren habilidades intelectuales distintas.
2.2.2. Complejidad
De la misma manera que los problemas mal estructurados son más di-
fíciles de solucionar que los que están bien estructurados, los problemas
complejos también son más difíciles de resolver que aquellos más sen-
cillos. Existen tres dimensiones dentro de la complejidad de los proble-
mas: el número de temas, funciones y variables que actúan en el
problema; el número de interacciones dentro de estos temas, funciones
o variables; y la predictibilidad del comportamiento de estos temas, fun-
ciones o variables. Aunque la complejidad y estructuración pueden co-
incidir, la complejidad se refiere más a la manera como muchos
componentes se representan de forma implícita o explícita dentro del
problema, cómo interactúan y cómo se comportan de forma consisten-
te. Cuanto más complejo sea un problema, más difícil será procesar ac-
tivamente los componentes del mismo para quien quiera resolverlo. Los
problemas bien estructurados, como los problemas matemáticos y cien-
tíficos de los libros de texto, no son demasiado complejos, implican un
conjunto restringido de factores o variables. Aunque los problemas mal
estructurados tienden a ser más complejos, también sucede que los que
están bien estructurados pueden ser extremadamente complejos y los
ANOTACIONES
mal estructurados, muy sencillos. Por ejemplo, el ajedrez y el bridge son

problemas bien estructurados muy complejos y, en cambio, elegir qué
ponerse (al menos para mí) es un problema sencillo mal estructurado.
Muchos problemas, como hacer funcionar un negocio de venta al por
menor, representan un complejo o conjunto de problemas más senci-
llos. Los problemas en contextos de la vida diaria o profesional suelen
ser complejos, así que, a la hora de analizar cualquier contexto proble-
mático, hay que identificar tanto su complejidad como los problemas
que lo constituyen.
48
2.2.3. Especificidad de campo (abstractos-situados)
Las teorías e investigaciones actuales de la solución de problemas

afirman que las habilidades para resolver problemas son específicas
del dominio y del contexto, es decir, están situadas, integradas, y por
eso dependen de la naturaleza del contexto o dominio. Esto es así
porque solucionar problemas dentro de un campo se basa en unas
estrategias cognitivas (métodos fuertes) específicas del dominio (Ma-
yer, 1992; Smith, 1991; Sternberg y Frensch, 1991). Otros estudios
contradicen esta idea de la especificidad del dominio a la hora de
resolver problemas. Lehman, Lempert, y Nisbett (1988) han conclui-
do que existen diferentes formas de razonamiento que se enseñan en
distintas disciplinas universitarias.
Ejemplo
Por ejemplo, los alumnos licenciados en las ciencias de

probabilidad de la Psicología y la Medicina resuelven
mejor los problemas de razonamiento estadístico, me-
todológico y condicional de la vida diaria que los estu-
diantes de Derecho y Química, que no aprenden estas
formas de razonamiento.
El razonamiento se adquiere mejor mediante el desarrollo de esque-

mas de razonamiento pragmático que con ejercicios de lógica formal.
Es decir, los estudiantes de estos dominios desarrollan habilidades de
razonamiento mediante la solución de problemas mal estructurados
que requieren formas de lógica específicas del dominio; no queda cla-
ro cómo se efectúa realmente esta solución de problemas específica
de cada dominio.
ANOTACIONES
Los problemas mal estructurados suelen estar más situados, mien-

tras que los que están bien estructurados son más abstractos. Sin
embargo, no es algo fijo, y los problemas bien estructurados, en
forma de problemas matemáticos, pueden estar bastante situados,
mientras que los problemas mal estructurados, en forma de dile-
mas, pueden ser bastante abstractos. En este capítulo, propongo y
describo seguidamente una tipología de solución de problemas.
Esta tipología asume que hay semejanzas en algunos de los pro-
cesos cognitivos de los distintos problemas. También asumo que
49
algunas estrategias de instrucción, hasta cierto punto, pueden ge-

neralizarse a través de los tipos de problemas.
2.3. Tipología de solución de problemas
La tabla 1 es una lista horizontal de once tipos diferentes de problemas,

incluyendo problemas lógicos, algorítmicos, matemáticos, problemas
que usan reglas, problemas de toma de decisiones, problemas de me-
diación, problemas de diagnosis-solución, actuaciones tácticas/estraté-
gicas, problemas políticos o de análisis de casos ubicados, problemas
de diseño y dilemas. Esta gama describe un continuo de problemas,
desde los que están bien estructurados hasta los mal estructurados.
Dentro de cada categoría, los problemas pueden variar en abstracción
y complejidad. El resultado de aprendizaje de cada tipo de problema
se describe en la siguiente fila de la tabla; luego aparece una lista de
los tipos de problemas, que describen brevemente los requisitos de
proceso cognitivo de cada uno. La siguiente fila es una lista de los tipos
de soluciones.
Los problemas bien estructurados se centran en soluciones correc-

tas, eficaces, mientras que los mal estructurados se fijan más en la
articulación y argumentación de decisiones. Los problemas pueden
variar desde problemas lógicos y algoritmos con soluciones exac-
tas, hasta dilemas que no tienen una solución verificablemente co-
rrecta. Seguidamente, hay una lista de la función que ejerce el
contexto de los problemas. El contexto es de vital importancia a la
hora de definir problemas mal estructurados y en cambio, los pro-
blemas bien estructurados quitan énfasis a la función del contexto.
En la tabla 1 también hay una lista de ejemplos breves de cada tipo
de problema; las dos últimas filas describen el nivel de estructura-
ANOTACIONES
ción y abstracción que normalmente se encuentra en estos proble-

mas. La complejidad varía mucho dentro de cada clase de
problema que hay que describir. Esta tabla presenta una visión ge-
neral de los diferentes tipos de problemas que los educadores y es-
tudiantes deben aprender a solucionar.
50
Tabla 1. Tipos de problemas
Problema Problema de
Tipo de Problema Algoritmo matemático Problemas que Toma de resolución de Diagnosis- Actuación Análisis de Diseños Dilemas
problema lógico usan reglas decisiones Solución estratégica casos
narrado dificultades
Actividad de Control lógico y Secuencia Desambiguar Proceso Identificación de Examinar el Fallos del Aplicar tácticas Identificar Actuar sobre los Reconciliar las
aprendizaje manipulación procedimental variables; procedimental beneficios y sistema; hacer sistema de para llegar a soluciones, objetivos para decisiones
de variables de seleccionar y restringido por límites; valorar pruebas; valorar mediación; estrategias en actuaciones producir complejas, no
limitadas; manipulaciones; aplicar normas; opciones; resultados; seleccionar y tiempo real, alternativas, artefactos; previsibles y
resolver la proceso algoritmos para seleccionar y seleccionar hacer hipótesis y valorar las actuaciones argumentar la estructuración y molestas sin
perplejidad algorítmico producir la aplicar reglas alternativas y confirmar falsos opciones de complejas posición articulación de solución;
aplicado a respuesta para producir justificar estados con tratamiento y manteniendo la problemas perspectivas
conjuntos correcta respuestas o estrategias controlar; conciencia irreconciliables
similares de mediante el productos de (sustitución, aplicar situacional
variables; método sistemas eliminación en esquemas de
cálculo o prescrito restringidos serie, problemas
producción de separación de
respuestas espacio)
correctas
Entradas Perplejidad Fórmula o Historia con Situación en un Situación de Sistema con un Sistema Actuación Sistema Declaración Situación con
procedimiento fórmula o sistema decisión con mal complejo con compleja a complejo a vaga de posiciones
procedimiento restringido; soluciones funcionamiento fallos y varias tiempo real con tiempo libre con objetivos con antinómicas
fijados reglas limitadas alternativas con uno o más soluciones necesidades muchos pocas
limitadas fallos opcionales competitivas objetivos mal restricciones;
definidos requiere
estructuración
Criterios Manipulación La respuesta o La respuesta o Productividad(n La respuesta o Identificación de Estrategia Conseguir el Múltiple, poco Criterios Preferencia
de éxito eficaz; el producto es el producto es úmero de el producto es fallo(s); eficacia usada; objetivo claro múltiples, articulada con
movimientos o igual en valor y igual en valor y respuestas o igual en valor y del aislamiento efectividad y estratégico indefinidos; no alguna
manipulaciones forma forma; se ha productos forma de fallo(s) eficacia de hay correcto o justificación
requeridos usado el relevantes o tratamiento; incorrecto –sólo
algoritmo útiles) justificación del mejor o peor
correcto tratamiento
escogido
Contexto Tarea abstracta Abstracto, De elementos Determinado, Decisiones de la Sistema Mundo real, Actuación a Mundo real, Mundo real, Tópico,
formulista restringidos a académico, vida cerrado, mundo técnico, sobre tiempo real restringido complejo; complejo, inter-
los predefinidos, mundo real, real todo sistema niveles de disciplinario
contexto restringido cerrado libertad;
superficial entrada limitada
y reacción
Procesos de aprendizaje mediante las TIC
Nivel de Descubierto Procedimental Clases de Resultado Resultados Fallos y Fallos y Estrategias mal Mal Mal Resultados
51
estructuración predecible problemas bien imprevisible finitos resultados resultados estructuradas; estructurado estructurado finitos, múltiple
definidas; finitos finitos tácticas bien razonamiento
procedimental estructuradas
predecible
Nivel de Abstracto, Abstracto, Simulación Basado en Situado Situado por Situado por Situado por Situado por Situado por Situado por
abstracción descubierto procedimental limitada necesidades personalmente problema problema contexto caso problema tema
© FUOC • P06/M1104/01593
ANOTACIONES
2.3.1. Problemas lógicos
Los problemas lógicos suelen ser pruebas abstractas de la lógica que

desconcierta al estudiante. Se utilizan para apoyar la agudeza men-
tal, la claridad y el razonamiento lógico.
Ejemplo
Juegos clásicos como Misioneros y Caníbales o La Torre

de Hanoi desafían al estudiante para que encuentre la
secuencia de acción más eficaz (el menor número de
movimientos). El cubo de Rubic era un juego que se
hizo popular en los años setenta, con el cual el usuario
debía hacer girar las filas y columnas de un cubo tridi-
mensional para crear composiciones de colores.
En cada uno de estos juegos, hay un método específico de razona-

miento que lleva a la solución más eficaz. Es el estudiante quien debe
descubrir este método. Los estudios han demostrado que no hay
transferencia de soluciones de estos problemas a problemas idénti-
cos (Hayes y Simon, 1977; Reed, Ernst, y Banerji, 1974). Este tipo de
problemas se ha usado sobre todo para investigar procesos de solu-
ción de problemas, a pesar de que no haya posibilidad de transfe-
rencia a problemas de la vida cotidiana o profesional.
2.3.2. Problemas algorítmicos
Uno de los tipos de problemas más comunes en las escuelas es el al-

goritmo. En la mayoría de cursos de matemáticas, los estudiantes
aprenden a resolver problemas mediante un conjunto rígido y finito
de procedimientos, con decisiones limitadas y predecibles. Solucio-
nar algoritmos requiere comprensión, producción numérica y cálculo
ANOTACIONES
(McCloskey, Caramaza, y Basili, 1985). Los sistemas de procesa-

miento de números de los estudiantes, que consisten en comprensión
y producción de números, son la comprensión intelectual que com-
plementa los procedimientos de cálculo. Los cálculos, según McClo-
skey y otros (1985) requieren comprender operaciones (por ejemplo,
propiedades asociativas y conmutativas y conceptos de multiplica-
ción y división), procedimientos de ejecución para el cálculo y la re-
cuperación de hechos aritméticos (por ejemplo, tablas de tiempos).
52
Estos enfoques algorítmicos también se usan frecuentemente en cur-

sos de ciencias o de economía doméstica.
La primera limitación de los enfoques algorítmicos es su dependen-

cia excesiva de las estructuras de conocimiento procedimental y la
falta o ausencia de comprensión conceptual de los objetivos del al-
goritmo y los procedimientos que requiere. El contenido que sólo se
aprende como procedimiento raras veces puede transmitirse por la
falta de comprensión conceptual del proceso subyacente. Ésta es una
queja bastante común sobre el aprendizaje de estadísticas, en el cual
los profesores se centran en los algoritmos y olvidan el objetivo del
estudio del análisis estadístico.
2.3.3. Problemas narrados
En un intento de situar los algoritmos en una especie de contexto,

muchos autores de libros de texto y profesores utilizan los problemas
matemáticos. Normalmente, este proceso consiste en fijar los valores
que se necesitan para resolver un algoritmo en una situación o na-
rración breve. Se pide a los estudiantes que seleccionen la fórmula
más adecuada para resolver el problema, que extraigan los valores
de la narración y los inserten en la fórmula, resolviendo la cantidad
desconocida. Se trata de un proceso cognitivo más complejo que se-
guir un algoritmo procedimental. Desgraciadamente, la narración
del problema a menudo no tiene ningún interés para el estudiante.
Por esta razón, cuando intentan transferir las habilidades para solu-
cionar problemas matemáticos a otros problemas, se centran dema-
siado en las características superficiales o recurren a soluciones
familiares que han utilizado en problemas previos (Woods, Hrymak,
Marshall, Wood, Crowe, Hoffman, Wright, Taylor, Woodhouse, y
Bouchard, 1997). No llegan a entender los principios y las aplicacio-
ANOTACIONES
nes conceptuales subyacentes en la actividad y tampoco pueden

transferir la habilidad de resolver un tipo de problema a otros pro-
blemas que tienen la misma estructura pero características distintas.
2.3.4. Problemas que usan reglas
Una cantidad importante de problemas tienen soluciones correctas

pero múltiples vías de solución o múltiples reglas que dirigen el pro-
53
ceso de solución. Suelen tener un propósito u objetivo claro que es

restrictivo, pero no restringido a un procedimiento o método especí-
fico. Los problemas que usan reglas pueden ser tan sencillos como
una receta para acoger a más invitados, o tan complejos como re-
llenar las declaraciones de devolución de impuestos. Utilizar un sis-
tema de búsqueda en línea para localizar información importante en
la web es un ejemplo de problemas que usan reglas. El objetivo es
claro: encontrar la información más relevante en el menor tiempo.
Ello requiere seleccionar los términos de búsqueda, construir argu-
mentos de búsqueda eficaces, implementar la estrategia de búsque-
da y valorar la utilidad y credibilidad de la información encontrada.
Schacter, Chung, y Dorr (1998) han revelado que los estudiantes ra-
ramente utilizan estrategias de búsqueda sistemática y pasan muy
poco tiempo o nada planeándolas. Ésta es la esencia de la búsqueda
orientada con reglas. Por el hecho de que hay múltiples estrategias
de búsqueda, los problemas que usan reglas pueden llegar a estar
decididamente mal estructurados.
2.3.5. Problemas de toma de decisiones
Los problemas de toma de decisiones normalmente se resumen en

decisiones con un número de soluciones limitadas. Por ejemplo, ¿nos
movemos en la dirección adecuada para aceptar una promoción?
¿Qué plan de salud escogemos? ¿Qué escuela es mejor para mis hi-
jos? Aunque estos problemas tienen un número limitado de solucio-
nes, el número de factores que pueden considerarse a la hora de
decidir entre éstas, así como la importancia que damos a cada una,
puede ser muy complejo. Los problemas de toma de decisiones nor-
malmente requieren comparar y contrastar las ventajas e inconve-
nientes de las soluciones alternativas. Las decisiones se justifican por
la importancia que se concede a cada uno de estos factores.
ANOTACIONES
2.3.6. Problemas de resolución de dificultades
La resolución de dificultades o averías es una de las formas más co-

munes de solucionar problemas cotidianos. Mantener comunicacio-
nes complejas y equipamientos informáticos requiere de esta
habilidad de resolución, como por ejemplo eliminar un virus de un
programa informático. El objetivo principal de la resolución de difi-
54
cultades es la diagnosis de estados falsos. Es decir, hay una parte de

un sistema que no funciona correctamente, y ello crea síntomas que
deben diagnosticarse y corresponder con el conocimiento del usua-
rio sobre los distintos estados falsos. La resolución de dificultades su-
pone utilizar síntomas para generar y probar hipótesis sobre distintos
estados falsos.
Esta habilidad requiere una combinación de conocimiento dominan-

te y de sistemas (modelos conceptuales del sistema); estrategias de
resolución de dificultades como buscar-y-sustituir, la eliminación en
serie y la partición del espacio, y la experiencia (representada en el
razonamiento basado en casos). Estas habilidades se integran y se
organizan a partir de las experiencias del localizador de problemas.
El modelo conceptual consiste en un conocimiento conceptual, fun-
cional y declarativo, incluyendo el conocimiento de componentes del
sistema y de interacciones, el control de movimiento, los falsos esta-
dos (características falsas, síntomas, información contextual y proba-
bilidades de ocurrencia) y los procedimientos de comprobación de
fallos.
2.3.7. Problemas de solución y diagnosis
Los problemas de solución y diagnosis se parecen a los de resolución

de dificultades; la mayoría de estos problemas requieren la identifi-
cación de un estado falso. Sin embargo, en el caso de la resolución
de dificultades o averías, el objetivo es reparar el fallo y volver a tener
el sistema en línea lo más rápido posible, o sea, que las estrategias
de solución son más restrictivas. Los problemas de solución y diag-
nosis normalmente empiezan con un estado falso similar al de la re-
solución de dificultades (por ejemplo, síntomas de una persona
ANOTACIONES
enferma). El médico examina al paciente y estudia su historial antes

de hacer un diagnóstico inicial. En una espiral de recogida de datos,
en la generación de hipótesis y la comprobación, el médico se centra
en una etiología específica y un diagnóstico diferencial del problema
del paciente. En este punto, el médico ya puede sugerir una solución.
A menudo existen múltiples soluciones y vías de solución, por lo que
el médico debe justificar una solución concreta. Esta ambigüedad en
las vías de solución es lo que distingue los problemas de solución y
diagnosis de los de resolución de dificultades.
55
2.3.8. Actuaciones estratégicas
La actuación táctica-estratégica requiere tiempo real, estructuras de

actividades complejas en las que los actores recurren a actividades
tácticas para encontrar una estrategia más compleja y mal estructu-
rada manteniendo la conciencia situacional. Para llegar al objetivo
estratégico, como cuando uno pilota un avión comercial o un quar-
terback (corredor de rugby) contraataca una falta de fútbol profesio-
nal, el actor aplica una serie de actividades tácticas complejas que se
han diseñado para llegar a unos objetivos estratégicos. La formación
de estrategias representa un caso ubicado o un problema de diseño
(descrito a continuación). Encontrar esta estrategia mediante manio-
bras tácticas es una actuación táctica. Típicamente, existe un número
limitado de actividades tácticas que se han diseñado para cumplir la
estrategia, pero la prueba de que un actor táctico es experto radica
en su habilidad para improvisar y construir nuevas tácticas para lle-
gar a la estrategia. El quarterback que grita en la línea está eligiendo
una nueva táctica para llegar a la estrategia ofensiva. En el campo
de batalla, los oficiales superiores identifican una estrategia y pue-
den negociar cuestiones tácticas con el actor, pero todos se dan
cuenta de que las tácticas deben ajustarse. Estos ajustes son contex-
tualmente restringidos. Las actuaciones tácticas pueden ser bastante
complejas. Las opciones pueden ser numerosas y su implementación
bastante compleja.
2.3.9. Problemas políticos y de análisis de casos ubicados
Los problemas de análisis de casos son situaciones multifacéticas

complejas. Lo que hace que sean problemas difíciles de resolver
es que no siempre está claro cuál es el problema. El hecho de que
la definición del espacio del problema sea más ambigua hace que
ANOTACIONES
estos problemas estén peor estructurados. Son el tipo de proble-

ma más común en contextos profesionales; requieren que la per-
sona exprese la naturaleza del problema y las distintas
perspectivas que influyen en el mismo antes de sugerir soluciones
(Jonassen, 1997). De todos los problemas que hemos estudiado
hasta ahora, éste es el tipo de problema más vinculado al contex-
to; es decir, sus soluciones dependen de un análisis de factores
contextuales. Solucionar problemas económicos, como la planifi-
cación de la producción, se engloban en este tipo. Decidir los ni-
56
veles de producción, por ejemplo, requiere equilibrar los recursos

humanos, las tecnologías, los inventarios y las ventas (Jonassen,
Privish, Christy, y Stavrulaki, 1999). También encontramos ejem-
plos clásicos de problemas de análisis de casos en las relaciones
internacionales, como por ejemplo:
aaa
“[...] dada la baja productividad de cosechas en la
Unión Soviética, ¿cómo podría una persona ocuparse
de mejorar la productividad de la cosecha si fuera di-
rector del Ministerio de Agricultura en la Unión Soviéti-
ca?” (Voss y Post, 1988, p. 273)
Los problemas en las relaciones internacionales implican tomar de-

cisiones, generar soluciones y comprobarlas en un contexto político.
Justificar decisiones es uno de los procesos más importantes dentro
de la solución de problemas de análisis de casos.
2.3.10. Problemas de diseño
Uno de los tipos de problemas peor estructurados es el hecho de

diseñar algún objeto. Ya sea un circuito electrónico, una casa o
cualquier otro producto o sistema, el diseño requiere aplicar una
gran cantidad de conocimiento dominante con mucho conoci-
miento estratégico para llegar a un diseño original. El diseño ins-
truccional es un ejemplo clásico de solución de problemas mal
estructurados. A pesar de nuestra lealtad para diseñar modelos,
en cualquier problema de diseño instruccional existen un número
infinito de soluciones posibles. Además, aunque hay quien opina
lo contrario, no disponemos de suficientes estudios que apoyen
ANOTACIONES
algún modelo en distintas situaciones. Para los diseñadores sin

experiencia no queda claro qué modelo es el más apropiado. Y
los criterios que exponen la mejor solución no siempre son obvios,
así que las habilidades en la argumentación y justificación pueden
ayudar a los diseñadores o diseñadoras a racionalizar su diseño.
Aunque ellos/ellas siempre esperan la mejor solución, ésta pocas
veces llega a conocerse. Además de su mala estructuración, mu-
chos problemas de diseño son complejos y requieren que el dise-
ñador equilibre muchas necesidades y restricciones al llevarlo a
57
cabo. No podemos quitar importancia a este tipo de problemas.

La mayoría de profesionales cobran por diseñar objetos (produc-
tos, sistemas, etc.), y no por hacer exámenes. Un objetivo impor-
tante en los planes de estudio actuales es que se adquiera más
experiencia en este tipo de problemas.
2.3.11. Dilemas
Los dilemas o problemas basados en temas son los más impredeci-

bles y mal estructurados, sobre todo porque no hay ninguna solución
que sea aceptable para una parte importante de las personas afec-
tadas.
Ejemplo
La crisis de Kosovo es un ejemplo muy claro de un pro-

blema de dilema. Normalmente, hay muchas perspec-
tivas sobre la situación (militar, política, social, ética,
etc.) y ninguna es capaz de aportar una solución acep-
table a la crisis. La situación es tan compleja e impre-
decible que no se puede encontrar una solución que
sea mejor que las otras. Ello no quiere decir que no
haya soluciones que pueden intentarse con grados va-
riables de éxito, pero ninguna de ellas cubrirá las ne-
cesidades de la mayoría o evitará la catástrofe.
Los dilemas suelen ser situaciones sociales complejas con perspecti-

vas conflictivas, y normalmente son los problemas que crean más
perplejidad.
ANOTACIONES
58
3. Entornos de aprendizaje de resolución

de problemas en línea
Encontramos problemas en todas partes, de tal manera que gasta-

mos buena parte de nuestra energía psicológica en resolverlos.
Mientras que a muchos de nosotros no nos gusta admitir que tene-
mos problemas, la realidad es que los solucionamos diariamente.
¿Qué me pongo para ir a trabajar? ¿Cuál es el mejor camino para
evitar el tráfico? ¿Cómo hacer que mi jefe no me regañe? ¿Qué po-
demos comer esta noche? ¿Cómo podemos promocionar este pro-
ducto para maximizar los ingresos? ¿Cómo hago que los estudiantes
dejen de hablar en clase? Estamos inundados de problemas cada
día. Desgraciadamente, raras veces nos enseñan a solucionarlos.
En esta sección, describiremos los requisitos básicos para diseñar en-

tornos de aprendizaje en línea que ayuden a las personas a solucionar
diferentes tipos de problemas. El hecho de que cada tipo de problema
descrito anteriormente requiere un proceso de pensamiento distinto
para llegar a una solución, hace que cada uno deba enseñarse de una
forma distinta. Anteriormente, hemos descrito once tipos de proble-
mas, pero por cuestión de espacio sólo voy a describir tres clases de
entornos de aprendizaje para la resolución de los mismos. Describiré,
en términos generales, cómo deberían ser los entornos de aprendizaje
en línea para que permitan aprender a resolver problemas matemáti-
cos, problemas de resolución de dificultades y problemas de análisis
de casos. En la actualidad todavía estamos desarrollando modelos
que permitan enseñar a resolver otros tipos de problemas.
ANOTACIONES
3.1. Problemas narrados
El método más común para enseñar a solucionar problemas matemá-

ticos es el que consiste en traducir las historias a fórmulas y entonces
solucionar lo desconocido. Los estudiantes pueden llegar a ser muy
hábiles a la hora de representar problemas cuantitativamente sin en-
tender los principios subyacentes que representan las fórmulas.
59
aaa
“Durante años, el profesor de física Eric Mazur creyó
firmemente que los estudiantes de su curso introducto-
rio de física de la Universidad de Harvard estaban en-
tendiendo la materia; después de todo, conseguían
excelentes resultados en los difíciles problemas cuanti-
tativos de los exámenes.” (Panitz, 1998, p. 17)
Cuando les dio un examen diseñado para valorar su conocimien-

to básico de los conceptos de física representados en los proble-
mas, “quedó muy sorprendido por el fracaso. Aparentemente,
muchos estudiantes simplemente habían memorizado ecuaciones
y procedimientos para resolver problemas sin entender los con-
ceptos que había escondidos.” Este resultado ocurre inevitable-
mente cuando los estudiantes usan un enfoque de aplicación
directa (plug and chug) (introducir valores en las fórmulas y en-
contrar directamente la solución) para resolver problemas mate-
máticos. ¿Por qué ocurre esto? Porque plug and chug no requiere
habilidades como la interpretación de conceptos o la generación
de representaciones que generan problemas, imprescindibles
para el aprendizaje significativo (Jonassen, 2001). Cada tipo de
solución de problemas requiere que el estudiante construya una
especie de modelo mental del problema y que base sus planes de
solución en su modelo. Es importante que los estudiantes demues-
tren que entienden conceptualmente el problema antes de elegir
una fórmula (Reusser, 1993).
En las siguientes páginas, describiremos, justificaremos y ejemplifica-

remos un modelo para crear entornos de aprendizaje que ayuden a
los estudiantes a aprender a resolver problemas conceptual y cuan-
ANOTACIONES
titativamente. Cada componente dispone también de una breve des-

cripción posterior de cómo funcionan los entornos de aprendizaje de
problemas matemáticos.
3.1.1. Tipo de problema y tipología
La construcción de un modelo conceptual de la solución de pro-

blemas resulta difícil porque cada tipo de problema tiene un mo-
60
delo distinto. Existen distintos tipos de problemas clásicos de

movimiento en matemáticas, como el adelantamiento (un vehícu-
lo arranca y le sigue otro vehículo que hace el mismo trayecto a
más velocidad), dirección opuesta (dos vehículos que salen del
mismo punto y van en dirección opuesta), viaje de ida y vuelta (el
vehículo va del punto A al B y vuelve), o cierre (dos vehículos que
arrancan en dos puntos distintos y viajan el uno hacia donde está
el otro) (Mayer, Larkin, y Kadane, 1984). Cada tipo de problema
tiene un conjunto de relaciones estructurales entre las entidades
que requieren operaciones distintas. Es esencial que los estudian-
tes construyan modelos conceptuales que demuestren que han en-
tendido las relaciones entre las entidades que establece el
problema. Deben aprender las estructuras de cada tipo de proble-
ma que intentan solucionar. Clasificar tipos de problemas es bá-
sico para entender y transferir la solución de problemas (Mayer,
Larkin, y Kadane, 1984). ¿Por qué? Porque los principiantes sue-
len clasificar los problemas basándose en el contenido superficial
(las entidades situacionales que establece el problema) y no las
relaciones fijadas en los principios, y ello provoca una mala cate-
gorización del tipo de problema (Blessin y Ross, 1996). Clasificar
problemas es importante porque, como han revelado Mayer y
otros (1984), cuando los estudiantes categorizan incorrectamente
los problemas, es más probable que cometan errores.
En casi todos los campos donde utilizan problemas matemáticos, los

investigadores han desarrollado tipologías de problemas. Incluso los
problemas matemáticos más elementales pueden clasificarse como
problemas de cambio, de comparación o de combinación (Riley y
Greeno, 1983).
Ejemplo
ANOTACIONES
Un problema de comparación en el que se desconoce

la cantidad de cambio podría ser éste:
Tom tiene cuatro manzanas.
Mary tiene algunas manzanas.
Juntos, tienen nueve manzanas.
¿Cuántas manzanas tiene Mary?
61
Mayer (1982) ha analizado miles de problemas de los libros de

álgebra de los institutos para encontrar semejanzas estructurales.
Ha identificado ocho familias de problemas matemáticos: proble-
mas de cálculo de tiempo, problemas de coste unitario, proble-
mas de coste porcentual, cálculo directo, geométricos (área
simple), físicos (ley de Ohm), estadísticos (combinaciones) y pro-
blemas numéricos. En cada familia de problemas, Mayer identifi-
ca categorías de problemas. Por ejemplo, en los problemas de
cálculo de tiempo identifica problemas de movimiento, problemas
actuales y problemas laborales. En cada una de estas categorías
identifica plantillas de problemas que comparten características
similares. Por ejemplo, dentro de los problemas de movimientos,
identifica plantillas como el adelantamiento, la dirección opuesta,
el viaje de ida y vuelta, el cierre, el cambio de velocidad, la misma
dirección, etc. La estructura para los problemas de movimiento de
adelantamiento especifica que “un vehículo arranca y le sigue
otro vehículo que hace el mismo trayecto a más velocidad” (p.
156). Para enseñar a los estudiantes a resolver problemas de este
tipo en cualquier campo, hay que construir tipologías similares de
tipos de problema para enseñar explícitamente semejanzas y di-
ferencias estructurales entre problemas.
Ejemplo
Para diseñar y desarrollar entornos de aprendizaje

de problemas matemáticos en la física introductoria,
construimos la tipología de problemas de la figura
11. El organizador gráfico se usa para estructurar el
entorno de aprendizaje. Cuando el estudiante se en-
cuentra con el problema, debe usar primero esta ti-
pología y clasificar el problema. Si se hace un doble
clic en cada tipo de problema, aparecen ejemplos,
ANOTACIONES
así como los principios subyacentes de la física. Po-

ner énfasis en las propiedades estructurales de los
problemas y contrastarlos con otros del mismo cam-
po impulsa las habilidades del estudiante para gene-
ralizar problemas dentro de la clase y discrimina
entre aquellas clases que se basan más en las pro-
piedades estructurales de los problemas que en el ni-
vel superficial y las características situacionales (Chi,
Feltovich, y Glaser, 1981; Silver, 1981).
62
Figura 11. organizador gráfico de problemas físicos.
ANOTACIONES
La figura 12 ilustra la estructura de un entorno de solución de un pro-

blema matemático (ESPM). A continuación, describiremos cada uno
de los componentes del entorno.
63
Figura 12. Estructura de un entorno de solución

a un problema matemático.
3.1.2. Clasificación de problemas
Cuando se trabaja en un entorno de solución de problemas mate-

máticos (ilustrado en la figura 13), los estudiantes deben elegir el tipo
de problema que creen que lo describe mejor, utilizando el menú
para bajar en la parte izquierda superior de la pantalla. En este caso,
el estudiante utiliza correctamente el clasificador de problemas para
seleccionar la cinemática, seguidamente, la velocidad constante y
ANOTACIONES
luego, la bidimensional.
64
Figura 13. Entorno de solución de problemas matemáticos en el campo

de la física.
3.1.3. Problema verbal
El estudiante visualiza el problema en el entorno de solución de pro-

blemas matemáticos (ESPM) –en inglés, Story-problem-solving envi-
roment (SPSE)– en la esquina superior derecha de la figura 13. Éste
es el problema que se ha clasificado como un problema bidimensio-
nal de velocidad constante. El problema permanece siempre en la
ventana de la parte superior derecha para que el estudiante pueda
ir adelante y atrás pasando de una representación a otra.
3.1.4. Identificador del conjunto
Como hemos dicho antes, para construir una representación interna del
problema, los estudiantes deben construir un modelo conceptual interno
del mismo. Este modelo consiste en los conjuntos importantes que lo
ANOTACIONES
configuran. Analizar cualquier problema matemático requiere identifi-

car los conjuntos que son importantes para la solución del problema y
asignarles un valor (Briars y Larkin, 1984; Riley y Greeno, 1988). Com-
pletar y asignar valores a estas proposiciones promueve la construcción
de distintos modelos para cada tipo de problema (Mayer, 1982).
Para usar el identificador del conjunto, el estudiante subraya las en-

tidades y sus cantidades en el espacio del problema verbal en la es-
65
quina superior derecha de la figura 13 y traslada cada valor del

problema al identificador del conjunto. De manera automática, se
crea un conjunto, que consiste en tres cajas más pequeñas. El estu-
diante debe identificar el objeto, la cantidad y las unidades que des-
criben el objeto. En la figura 14 se han identificado tres conjuntos
(velocidad inicial, ángulo de proyección y lanzamiento).
3.1.5. Modelo estructural
aaa
“Una persona que trabaja en problemas de física debe
poder reconocer las estructuras subyacentes de los pro-
blemas, generar representaciones adecuadas para el
descubrimiento de soluciones y hacer inferencias de es-
tas representaciones.” (Anzai, 1991, p. 83)
Los principios subyacentes de la física, como en todos los campos,

pueden predecirse por las relaciones causales entre conceptos. En fí-
sica, cada tipo de problema tiene un modelo estructural que repre-
senta una combinación distinta de entidades interrelacionadas
mediante formas únicas.
Una vez seleccionado el tipo de problema e identificados los conjun-

tos, el estudiante traslada y lanza los conjuntos desde el identificador
del conjunto hasta el modelo estructural (titulado “Determinar rela-
ciones causales”, parte superior izquierda en la figura 14). El modelo
describe los componentes causales y estructurales del problema.
Aunque se parecen al tipo de estructuras de conocimiento que Bag-
no, Eylon y Ganiel (2000) usaban para demostrar estructuras de co-
nocimiento experto, estos modelos se centran en la descripción de
relaciones causales entre componentes del problema. Los estudian-
ANOTACIONES
tes, en este problema, han de ir arrastrando de velocidad inicial a ve-

locidad inicial sucesivamente. Si arrastran y dejan un conjunto en un
elemento equivocado del modelo estructural, aparece un cuadro ex-
plicatorio. Aunque este paso puede parecer redundante, sirve para
poner énfasis en las relaciones conceptuales del problema antes de
mapear los valores en fórmulas. ¿Por qué es importante? Ploetzner,
Fehse, Kneser, y Spada (1999) demostraron que al solucionar pro-
blemas matemáticos en física, las representaciones cualitativas del
problema son necesarias para aprender representaciones cuantitati-
66
vas. Por lo tanto, los estudiantes deberían mapear valores de los pro-
blemas y convertirlos en representaciones cualitativas (causales) del
problema antes de mapear los valores y convertirlos en fórmulas.
Figura 14. Prototipo de entorno para la solución de problemas matemáticos

en el campo de la física.
Otro motivo para mapear entidades en un modelo estructural es

que los estudiantes muy pocas veces reconcilian los modelos es-
tructurales y situacionales del problema (estos últimos descritos a
continuación). Así, en el ESPM son adyacentes, y el hecho de per-
mitir al estudiante comparar y contrastar los modelos situaciona-
les y estructurales aportará un modelo mental más rico del tipo de
problema. Los que mejor solucionan los problemas matemáticos
son aquellos capaces de integrar los modelos situacionales y es-
tructurales, porque ambos son importantes para la solución de
problemas.
ANOTACIONES
3.1.6. Constructor de ecuaciones
A partir del modelo estructural, los estudiantes asignan valores de

este modelo a la ecuación, utilizando el constructor de ecuaciones (fi-
gura 13). Para utilizar el constructor de ecuaciones, hay que arrastrar
los valores desde el modelo estructural hasta el espacio de la ecua-
ción, cancelar y reorganizar las variables. Una vez completada la
fórmula, hay que hacer clic encima del botón de calcular.
67
Para comprobar la exactitud de los valores y de la fórmula, un mapa

de vector animado hará aparecer los resultados en la ventana de So-
lución de la serie. Nathan, Kintsch, y Young (1992) demostraron que
los estudiantes que veían resultados animados sobresalían por encima
de los que tenían un entorno inanimado, y reconocían una solución
correcta, generaban ecuaciones a partir de textos y diagnosticaban
errores.
3.1.7. Modelo situacional
Los estudiantes visualizan el modelo situacional (llamado “Visualizar

problema”, en las figuras 12 y 13). Aunque muchos psicólogos creen
que las características superficiales del problema sólo distraen a los
estudiantes y les impiden entender la estructura más profunda del
problema, hay otros que creen que aquellos que solucionan proble-
mas de una manera eficaz reúnen las restricciones cuantitativas ba-
sadas en un contexto situacional (Briars y Larkin, 1984). Muchos
modelos cuantitativos (fórmulas) pueden mapearse fácilmente y con-
vertirse en estructuras de historias. Por ejemplo, los problemas de
movimiento y de trabajo compuestos tienen distintos acontecimientos
como viajar en direcciones opuestas, andar juntos o subir a un auto-
bús, con el resultado y el tiempo como dimensiones básicas que or-
ganizan la historia. Los estudiantes realizan inferencias constructivas
basadas en modelos situacionales. Blessin y Ross (1996) demostra-
ron los efectos positivos del contenido situacional en la solución de
problemas y la clasificación de problemas por parte de personas con
experiencia (estudiantes universitarios). El contenido situacional tam-
bién tiene mucho valor porque afecta al acceso a esquemas de pro-
blemas mentales internos. Muchas veces, los expertos basan sus
categorizaciones en el contenido superficial (Novick, 1988).
Cuando el estudiante soluciona el problema, el modelo situacional

ANOTACIONES
cubre el sistema de referencia por encima de la visualización a causa

de la importancia que tienen los problemas de cinemática a la hora
de determinar el sistema de referencia y su origen (figura 13).
3.1.8. Ejemplos trabajados
La instrucción consiste en ejemplos trabajados que utilicen el entorno

ESPM para ilustrar cómo hay que resolver como mínimo tres proble-
68
mas por cada tipo antes de dejar practicar a los estudiantes. Los
ejemplos trabajados de las soluciones de problemas anteriores a la
práctica mejoran la solución de problemas basados en la práctica,
porque reducen la carga cognitiva y ayudan a los estudiantes a cons-
truir esquemas de solución de problemas (Cooper y Sweller, 1987;
Sweller y Cooper, 1985).
Ejemplo
En el ESPM, un agente pedagógico animado (Lester,

Stone, y Stelling, 1999, no se muestra en la figura 12 o
13) investigará, como mínimo, dos ejemplos de cada
tipo de problema. El agente lee primero la representa-
ción del problema verbal en el ESPM, buscando pistas
que ayuden a clasificar el tipo de problema (en nuestro
ejemplo, constante). Entonces elige el tipo de problema.
El agente planea la solución identificando explícitamente
los subproblemas requeridos. Aclarar la estructura de
subobjetivos en ejemplos trabajados mejora de forma
significativa la realización (Atkinson, Derry, Renkl, y Wor-
tham, 2000). Los subproblemas se añaden al cuadro “So-
lución del Plan” a medida que se va realizando. Por
ejemplo: 1) eslegir punto de origen; 2) elegir sistema de
referencia (eje x y eje y); 3) determinar el tiempo en el aire
(velocidad inicial + cuánto se mueve en el eje y); 4) deter-
minar la extensión del movimiento de proyección en el eje
x. El agente identifica los conjuntos requeridos para el
problema en el identificador de conjuntos, los mueve ha-
cia el modelo estructural y entonces mapea los valores y
los convierte en fórmula en el constructor de ecuaciones.
También efectúa una comprobación de unidades y hace
una estimación del tamaño de la pregunta. Entonces so-
luciona la fórmula y compara el resultado con la estima-
ANOTACIONES
ción. Realizar esta demostración con otros dos problemas

más complejos prepara al estudiante para completar los
asuntos de la práctica.
3.1.9. Asuntos de la práctica
Otro componente esencial de cualquier instrucción para resolver

problemas narrados es la oportunidad de practicar las habilida-
69
des adquiridas en el entorno. La práctica de problemas debería

presentarse al estudiante como se ilustra en los ejemplos trabaja-
dos, que deberían ser similares a cómo se presentan en la evalua-
ción. Los estudiantes pueden revisar los ejemplos trabajados.
Normalmente, suelen tener éxito a la hora de relacionar los pro-
blemas prácticos con los ejemplos, y prefieren el ejemplo comple-
jo como modelo (Reed, Willes, y Guarino, 1994). De forma
similar, se permite que utilicen la misma interfaz ESPM que se usó
para los ejemplos y así pueden usar este recurso hasta que tengan
más experiencia. Los estudiantes recibirán cuadros explicativos
durante las sesiones prácticas. Si identifican el tipo de problema
correcto, identifican y colocan los conjuntos del problema de for-
ma correcta en las representaciones correctas del problema, o si
hacen estimaciones razonables de la solución del problema, reci-
birán cuadros explicativos sobre estas actividades.
3.1.10. Instrucción de contenido
Mientras clasifica el tipo de problema mediante la tipología descrita

en la figura 13 o en cualquier otro momento en los ejemplos traba-
jados o fases de práctica, el estudiante puede hacer doble clic en
cualquiera de los componentes del modelo estructural y hacer que el
agente presente la actual instrucción conceptual del problema. En
este entorno, la instrucción del contenido se proporciona a solicitud,
utilizando el enfoque de enseñanza justo a tiempo (Novak, Patterson,
Gavrin, y Christianson, 1999).
3.1.11. Resumen
Una revisión amplia del trabajo empírico y teórico en el que se basa

este modelo iría más allá del objetivo de este módulo. Otros investi-
ANOTACIONES
gadores han desarrollado entornos que cumplen algunas de estas

funciones de instrucción de este modelo.
Ejemplo
Por ejemplo, el Solucionador de Problemas Matemáti-

cos (SPM) (Marshall, 1995) y el entorno TiPS (Derry y
Grupo de Investigación TiPS, 2001) representan pro-
blemas en modelos estructurales para desarrollar y so-
70
lucionar problemas aritméticos. Ellos asumen, como

yo, que las representaciones cualitativas de los proble-
mas son necesarias para aprender representaciones
cuantitativas (Ploetzner, Fehse, Kneser, y Spada, 1999).
También creen que las estructuras del problema va-
rían entre los tipos de problemas y determinan los
procedimientos necesarios para resolverlos. Otros en-
tornos, como ANIMATE (Nathan, 1998), representan
el modelo situacional del problema mediante anima-
ciones, mapeando éstas en una ecuación que permite
solución.
Diversos atributos convierten en único el entorno que acabamos

de describir. No hay ningún otro entorno que haya intentado in-
tegrar las representaciones estructurales y situacionales del pro-
blema. Aunque el SPM y el TiPS requieren que el estudiante
identifique el tipo de problema, su proceso de selección no impli-
ca elegir entre una tipología de los mismos. Además, el proceso
de razonamiento necesario para resolver el problema matemático
está fijado en la estructura del entorno. Los estudiantes deben cla-
sificar el tipo de problema, identificar conjuntos importantes de la
representación de éste y mapearlo en un modelo estructural antes
de mapear los valores en una fórmula. La diferencia más notable
entre este modelo y los otros es quizá que funciona como un mo-
delo genérico para la construcción de entornos en línea mediante
campos de temas. Los otros intentos se han centrado en proble-
mas individuales o pequeñas clases de problemas. El objetivo del
modelo de diseño es que funcione como una arquitectura para los
entornos en línea de problemas matemáticos. Así, los problemas
matemáticos en otros campos pueden utilizar el mismo entorno y
ANOTACIONES
la misma estructura que acabo de describir. Los problemas serán

distintos, pero la estructura del entorno será la misma.
3.2. Problemas de resolución de dificultades
Como se ha descrito anteriormente, la resolución de dificultades

eficaz requiere conocimiento de sistema, conocimiento procedi-
71
mental y estratégico, además de las clases de conocimiento que

las experiencias del solucionador de dificultades han anclado y
organizado. La diferencia fundamental entre los solucionadores
expertos y los principiantes es su nivel de experiencia. La resolu-
ción de dificultades o averías se basa en el conocimiento experi-
mental, que es exactamente del que carecen los principiantes.
Desde los técnicos con experiencia hasta los físicos indexan su co-
nocimiento en experiencias de resolución de dificultades. A menu-
do pueden reutilizar problemas, que ya han mediado muchos
años antes, con una agudeza extraordinaria. Los problemas que
recuerdan con más precisión y exactitud son los que fueron más
difíciles de resolver, porque la persona estuvo conceptualmente
más implicada en el proceso. Por lo tanto, enseñar a resolver di-
ficultades a los principiantes requiere que descubran el máximo
número de problemas posible para ganar conocimiento experi-
mental que integrará el conocimiento conceptual, procedimental
y estratégico necesarios para la resolución de dificultades.
Ejemplo
La figura 15 ilustra un modelo de diseño para la

construcción de entornos de aprendizaje de este tipo
(TLE). El modelo asume que la forma más efectiva
para aprender a solucionar dificultades son los pro-
blemas del tipo que estamos describiendo. Aprender
a resolver dificultades requiere presentar a los estu-
diantes los síntomas de problemas nuevos para que
los solucionen. Los componentes más importantes de
los TLE son una biblioteca de casos de problemas ya
resueltos, un solucionador de dificultades que permi-
ta al estudiante practicar la resolución y un modelo
conceptual rico del sistema que se debe solucionar o
descubrir. El modelo conceptual impulsa la construc-
ANOTACIONES
ción del conocimiento de sistemas; el solucionador

de dificultades promueve la construcción del conoci-
miento procedimental y estratégico, y la biblioteca o
archivo de casos, la construcción del conocimiento
experimental que integra las otras clases de conoci-
miento.
72
Figura 15. Modelo para diseñar un entorno

de aprendizaje de resolución de dificultades.
3.2.1. Modelo conceptual
El entorno de resolución de dificultades se orienta mediante un mo-

delo conceptual del sistema de descubrimiento o resolución. Este
modelo ilustra la interconexión entre los componentes del sistema. Es
decir, ¿cuáles son todos los componentes y subsistemas del sistema
en el que sucede el problema? ¿Cómo influyen unos sobre otros?
3.2.2. Localizador de dificultades o averías
El centro del TLE (siglas de troubleshooting learning environment, o en-

torno de aprendizaje de resolución de dificultades) es el localizador de
dificultades (véase la figura 16). Es aquí donde el estudiante actúa
como si fuera un localizador de dificultades con experiencia, resolvien-
do casos nuevos. Después de escuchar una explicación sobre el pro-
blema automotor que describe los síntomas que mostraba el coche
justo antes de pararse, el aprendiz (como un localizador de dificulta-
ANOTACIONES
des experimentado) elige primero una acción del menú para bajar a
la izquierda de la pantalla, como cuando se pide una comprobación,
se comprueba una conexión o se intenta una estrategia de reparación.
Se puede enseñar al principiante qué acción basada en la sintomato-
logía hay que escoger primero, o también puede él o ella escoger
cualquier acción. Cada movimiento que haga el localizador aparece
en el modelo del sistema. Después de cada movimiento del estudiante,
el localizador de dificultades pide al estudiante que explique o elija la
hipótesis falsa que está intentando demostrar, mediante el menú para
73
bajar situado a la derecha del menú de acción. Ésta es una forma im-
plícita de argumentación. Se trata de exigir al estudiante que justifique
sus acciones. Si la hipótesis no se corresponde a la acción (si ha sido
determinada levantando y comprobando las etiquetas), entonces apa-
recen explicaciones sobre el motivo de tomar aquella decisión. Segui-
damente, el estudiante debe identificar el subsistema en el que ocurre
el fallo. Si éste no corresponde a la acción, el estudiante regresa otra
vez al modelo conceptual para entender mejor el funcionamiento del
subsistema que lleva a la acción o a la hipótesis. El estudiante recibe
entonces el resultado de la acción (por ejemplo, resultados de exáme-
nes, información del sistema, etc.) a la derecha del subsistema y debe
interpretarlos utilizando el menú para bajar de la derecha del locali-
zador de dificultades. Si la interpretación no corresponde a la acción,
hipótesis o subsistema, aparece un mensaje de error. La comproba-
ción de errores utiliza un sistema de evaluación muy sencillo.
El localizador (véase la figura 16) exige al estudiante que piense y ac-

túe como un localizador de dificultades con experiencia. El entorno in-
tegra las acciones de resolución de problemas, los tipos de
conocimiento (conceptual, estratégico y procedimental) y el modelo de
sistemas conceptuales con una base de datos de los fallos que han te-
nido lugar en el sistema que el estudiante y otras personas han solu-
cionado. Los ejemplos trabajados proporcionan la instrucción inicial
sobre cómo usar el sistema. A medida que los estudiantes van solucio-
nando problemas, los resultados de sus casos prácticos pueden aña-
dirse a su archivo de casos de situaciones falsas, para que el
estudiante pueda aprender de sus propias experiencias personales.
En cualquier punto del proceso de aprendizaje, el estudiante o loca-

lizador de dificultades puede acceder a una instrucción justo a tiem-
po sobre cómo llevar a cabo la acción (por ejemplo, test electrónico,
ANOTACIONES
comprobación de síntomas) o los resultados multimodales de esta

acción. Jonassen y Henning (1999) observaron que los técnicos de
refrigeración se basan muchas veces en distintas modalidades a la
hora de hablar de máquinas y herramientas. Normalmente, ponen
las manos en los tubos para ver la temperatura, escuchan el sonido
de un compresor, buscan manchas de aceite en el suelo o interac-
túan con la pantalla del ordenador. En definitiva, se comunican a
través de impresiones del sentido, lo que los técnicos llaman conoci-
miento “táctil-sensorial”.
74
Figura 16. Arquitectura del localizador de dificultades.
ANOTACIONES
3.2.3. Biblioteca o archivo de casos
Si el localizador de dificultades se encuentra en el corazón del TLE, el ar-

chivo o biblioteca de casos se encuentra a la cabeza (memoria) del TLE.
El discurso es esencial para negociar problemas, soluciones o significa-
75
dos de manera social. En las situaciones de resolución de dificultades de

contextos diarios, el medio principal de negociación son las historias. Es
decir, cuando un localizador tiene un problema, normalmente lo descri-
be a alguien que puede recordar de memoria un problema similar, y
cuenta su experiencia al localizador de dificultades. Las historias apor-
tan información contextual, funcionan en formato de diagnosis y tam-
bién expresan una identidad entre los participantes de cualquier tipo de
comunidad. Las historias sobre cómo han solucionado los localizadores
problemas o averías similares se introducen, se indexan y se ponen a
disposición de los estudiantes en una biblioteca o archivo de casos (que
también se conoce como base de datos falsa).
La biblioteca de casos o base de datos falsa debe contener historias de

tantas experiencias de resolución de dificultades como sea posible.
Cada caso representa una historia de un ejemplo específico de un cam-
po. Estos archivos, que se basan en principios del razonamiento basado
en casos, representan la forma más importante de apoyo instruccional
para los problemas mal estructurados como los de resolución de dificul-
tades (Jonassen y Hernandez-Serrano, 2002). Se indexa cada caso o
historia según su fallo del sistema, el sistema o subsistema en el que ocu-
rrió el fallo y los síntomas del fallo que son similares a los del locali-
zador de dificultades. También están recogidos el modo de avería y
las hipótesis o estrategias aprendidas a partir de la experiencia. El ar-
chivo representa, pues, el conocimiento experimental de centenares
de localizadores de dificultades experimentados potenciales. ¿Por
qué? Porque los localizadores almacenan casi siempre su conoci-
miento de problemas y soluciones a partir de sus experiencias. Es este
conocimiento experimental del que precisamente carecen los estudian-
tes. De este modo, cuando se encuentran con una dificultad o no están
seguros de cómo actuar, pueden acceder al archivo y observar en casos
similares qué caminos se siguieron y con qué resultados. El TLE también
puede programarse para acceder de forma automática a una historia
ANOTACIONES
importante en cuanto el estudiante comete un error, ordena una prueba

inadecuada o lleva a cabo alguna acción que demuestra su falta de
comprensión. Las historias se almacenan de una forma sencilla, presen-
tando un problema a los localizadores experimentados y pidiéndoles si
recuerdan algún problema semejante que ya hayan solucionado. Siem-
pre los recuerdan, sin excepción. Hernandez-Serrano y Jonassen (2003)
han demostrado que el acceso a un archivo de casos durante el apren-
dizaje de solución de problemas mejora la resolución de problemas
complejos en un examen.
76
3.2.4. Ejemplos trabajados
De una forma similar al aprendizaje de resolución de problemas

matemáticos narrados, mediante ejemplos trabajados también se
introduce a los estudiantes a la resolución de dificultades, la bi-
blioteca de casos y el modelo conceptual. Estos ejemplos no sólo
ilustran cómo usar el TLE, sino que también construyen modelos
de distintas estrategias de resolución de dificultades (por ejemplo,
la división del espació para aislar el subsistema erróneo antes de
hacer ninguna comprobación). Si el TLE es en línea, aparece un
agente pedagógico animado (Lester, Stone, y Stelling, 1999) que
trabaja como mínimo dos ejemplos de cada tipo de problema. El
agente lee la representación del problema en el TLE, construye
modelos de estrategias, por ejemplo mediante la búsqueda de
pistas o el rechazo de las hipótesis menos probables antes de usar
el localizador de dificultades. El agente también puede construir
un modelo sobre cómo conseguir el máximo beneficio del modelo
conceptual y la biblioteca de casos.
3.2.5. Temas de práctica
La práctica consiste en utilizar el localizador de dificultades para so-

lucionar problemas nuevos. Durante la práctica, se presentan nuevos
problemas al estudiante, que utiliza el localizador para aislar el caso.
Si quiere, también puede acceder al modelo conceptual o al archivo
de casos. No se conoce exactamente el número de prácticas necesa-
rias para desarrollar distintos niveles de habilidad de resolución de
dificultades. Ello dependerá de la complejidad del sistema de reso-
lución de dificultades, de las habilidades y disposiciones de los estu-
diantes y de una multitud de otros factores.
ANOTACIONES
Vale la pena remarcar que todos los movimientos que haga el es-
tudiante durante la práctica (acciones en el localizador, acceso a
la información del modelo conceptual o a los casos del archivo)
pueden servir para ayudar a mejorar su comprensión y sus habi-
lidades de resolución de dificultades. El objetivo de esta evalua-
ción puede ser valorar el proceso durante el aprendizaje o
simplemente ver si el estudiante se implica mentalmente en el pro-
ceso de aprendizaje.
77
3.3. Problemas de análisis de casos/sistemas
Los problemas de análisis de casos/sistemas son complejos, ambi-

guos y están muy mal estructurados. Como tales, representan la
antítesis de buena parte de la educación formal, que se centra en
respuestas correctas y en encontrar la verdad. Analizar y tratar de
resolver estos problemas es un reto para muchos estudiantes (desde
la guardería hasta la edad adulta), por muchas razones. Los guio-
nes que los estudiantes siguen para “hacer escuela” tienen rutinas
claramente establecidas. El profesor/monitor les dice lo que debe-
rían saber, los estudiantes intentan saberlo y el profesor/monitor
valora si lo saben bien. Sin embargo, los problemas de análisis de
casos a menudo presentan fenómenos desconocidos que deben
negociarse y co-construirse socialmente. No existe en ningún caso
una simple perspectiva que represente la verdad. Solucionar este
tipo de problemas requiere que el estudiante asimile la ambigüe-
dad. Sin embargo, la tolerancia a la ambigüedad no abunda entre
profesores y estudiantes. ¿Por qué? Está relacionada con sus creen-
cias epistémicas, es decir, lo que las personas creen que significan
el conocimiento, la verdad y el aprendizaje. Las personas desarro-
llan sus creencias a partir de un pensamiento simple, blanco o ne-
gro, que a través de una exploración de perspectivas múltiples se
convierte en un pensamiento relativista complejo. Los fundamentos
epistemológicos para la educación son los que Baxter-Magolda
(1987) llama saber absoluto, en el que los individuos creen que el
conocimiento y la verdad son verdaderos y que las autoridades de-
berían ofrecerlos. Solucionar problemas de análisis de casos re-
quiere un conocimiento transicional (el conocimiento es
parcialmente verdadero y requiere comprender mediante la lógica,
el debate y la investigación), un conocimiento independiente (el co-
nocimiento no es verdadero y requiere pensar libremente y ser
ANOTACIONES
abierto), y un conocimiento contextual (el conocimiento se basa en

las pruebas adquiridas en un contexto). El hecho de que la mayoría
de estudiantes sean pensadores absolutos hace que para ellos los
problemas de análisis de caso sean un reto importante, porque no
tienen ninguna respuesta correcta. A pesar de ello, si no se enfren-
tan nunca a problemas de análisis de casos mal estructurados, pro-
bablemente no llegarán a desarrollar habilidades de pensamiento
contextual o independiente. Por lo tanto, exponerse a la ambigüe-
dad es una experiencia de aprendizaje.
78
La figura 18 muestra un modelo para diseñar un entorno de apren-

dizaje de análisis de casos. A continuación, describiré cada uno de
los componentes de este entorno.
3.3.1. Representación de problemas
La representación de problemas es un tema complejo; los problemas

de análisis de casos (como todos los problemas mal estructurados)
dependen más de un contexto que los bien estructurados; por eso es
necesario desarrollar un entorno más auténtico y ubicado (Voss,
1988). Si el pensamiento de análisis de casos viene muy determina-
do por el contexto y el campo que representa, es importante describir
de forma adecuada el contexto social, político y organizacional del
problema. Por esta razón lo que hay que llevar a cabo es un análisis
contextual. ¿Cuál es la naturaleza del campo? ¿Cuáles son las res-
tricciones que impone el contexto? También debemos preguntarnos
qué tipo de problemas se solucionan en este campo y qué restriccio-
nes contextuales afectan al problema.
Figura 17. Modelo para un entorno de solución de problemas de análisis

de casos/sistemas.
ANOTACIONES
79
Los problemas de análisis de casos se representan muchas veces a

partir de historias. Las historias se entienden y se recuerdan mejor y
son más empáticas que las representaciones didácticas de los pro-
blemas. El siguiente extracto está sacado de un entorno de aprendi-
zaje de análisis de casos que desarrollamos en Sociología del
bienestar. Esta historia concreta introduce el problema del ciclo de
bienestar (buscar asistencia, ayuda y bienestar en el trabajo). El pro-
blema está relacionado con la manera de ayudar a las personas con
el ciclo de bienestar en el trabajo. Otro objetivo principal del entorno
es que los estudiantes culturalmente aislados de una gran universi-
dad pública evoquen respuestas empáticas.
Caso práctico
martes, 2 de febrero, 1999
Me llamo Tiffany y estoy viajando hasta Lewistown con

mi hija Stephanie. Stephanie va a cumplir cinco años
dentro de poco. La tuve cuando tenía dieciocho años.
Mi casa y mis amigos están en Detroit, pero yo no pue-
do quedarme más. Entré a formar parte de una banda
de allí, vendiendo drogas y traficando, y tardé cinco
años en darme cuenta de que ya no quería vivir así. Ro-
baba y hacía cosas que nunca creí que fuera capaz de
hacer. Quiero a mi hija y ahora sé que le haría daño si
me quedo allí.
Cuando uno ha hecho y ha visto lo que yo, no tiene

sentido dejarlo a no ser que estés preparado para ello.
Así que me voy, sin dinero, sin ayuda de nadie. Sólo
Stef y yo. Sí, ésta ha sido mi “Navidad Feliz”. Estoy bus-
cando a mi madre biológica. Sé que cuando yo nací,
ANOTACIONES
ella vivía en Lewistown, Pennsylvania, pero ya ha pasa-

do mucho tiempo. Tengo una dirección del año 1992.
Nunca antes la he visto y no sabe que voy hacia allí. No
tengo ningún otro lugar adonde ir, pero no puedo que-
darme en Detroit, ni hablar. Estoy casi de ocho meses.
Voy a pedir ayuda en cuanto llegue, por el bien de mis
hijos.
80
miércoles, 3 de febrero, 1999 (17:30h)
Stephanie nunca había viajado en un autocar. Un viaje

de 24 horas casi le ha quitado todo su entusiasmo, pro-
brecita. Gracias a Dios se ha dormido. Dejamos la es-
tación de la calle Howard en Detroit a las 10 de la
noche anterior y hemos llegado a las 17:15 de hoy.
Con este maldito tiempo pronto va a ser de noche. No
hemos comido desde que nos terminamos todos los
snacks. Dios, el olor de esta parrilla me está volviendo
loca. ¿Qué he hecho? ¡El billete me ha costado $59!
Quizás debería haber guardado mi dinero.
No tengo ni idea de adónde ir. En el número que tengo

de mi madre no contesta nadie. No tengo ni un dólar
en moneda para el teléfono. Treinta dólares, mi hija y
esta bolsa vieja de playa con su ropa, algunos muñecos
y algo para mí es todo lo que tengo. Y, Dios, este sitio
apesta, y hace frío. Sé que tengo que buscar ayuda.
Este número no contesta. No hay contestador. A lo me-
jor no es ni un número... Se está haciendo tarde, ¿qué
vamos a hacer?
Representar problemas de análisis de casos en forma de historias no

es suficiente para hacer que el estudiante desarrolle la clase de pen-
samiento necesario para resolverlos. Además, es igual de importante
o más que los estudiantes tengan una tarea concreta y real para re-
solver. En el problema de asistencia social que acabamos de descri-
bir, pedimos a los estudiantes que aconsejaran a la mujer que quería
pasar de la asistencia social al trabajo. Su consejo no sólo debía ser
ANOTACIONES
legalmente correcto (los estudiantes se frustraron por la complejidad

de formas y procedimientos de los papeles que los perceptores de-
bían rellenar), sino también empático.
La actividad debe ser también bastante específica. Un problema de

análisis de política exterior en el Próximo Oriente puede requerir que
los estudiantes actúen como si fueran analistas de política exterior
para el departamento de Estado, donde deben recomendar acciones
políticas concretas al secretario de Estado sobre si los palestinos de-
81
berían tener un estado independiente. Es decir, debería haber una

especie de resultado concreto (consejo) asociado a la actividad: no
sólo un informe, sino un informe con puntos de acción concretos.
Esto no quiere decir que sea imprescindible dar un consejo, sino que
debe hacerse en forma de consejo. Un problema de análisis de casos
sobre el sistema político de Noruega debería requerir recomendacio-
nes sobre cómo construir las coaliciones parlamentarias necesarias
para aprobar una ley sobre la construcción de una planta eléctrica
de gas. Cuantos más objetivos tenga la actividad, más atractiva será.
Este mismo entorno, con todos sus sistemas de apoyo, puede ser al-
terado si vuelve a definirse la actividad. También se puede asignar a
algunos estudiantes un entorno para crear una coalición que frene
la construcción de la planta de gas. La única diferencia es la activi-
dad, pero el resto del entorno puede ser el mismo o muy similar. En
otro entorno diseñado para un curso de geografía centrado en el uso
de mapas (figura 18), proporcionamos a los estudiantes un contrato
del Ministerio de Transporte para que eligieran una ruta alternativa
que evitara una de las intersecciones de autopistas peor diseñadas
de la historia.
Figura 18. Problema de tráfico.

ANOTACIONES
82
Los estudiantes debían reconciliar las opiniones de los motoristas, los

comerciantes, los habitantes y los burócratas utilizando los mapas de te-
rreno, así como mapas topográficos, aéreos y de parcelas para encon-
trar la solución más eficiente, eficaz y aceptable al problema. Está claro
que no existe ninguna solución absolutamente correcta, sólo hay solu-
ciones mejores y peores. La actividad debe ser lo más real posible y estar
bien circunscrita. Muchas veces, la solución de problemas en clase no
tiene éxito porque las actividades son muy difusas. Se pide a los estu-
diantes que analicen políticas o principios. ¿Por qué? Si los estudiantes
no perciben un objetivo significativo para la solución del problema, es
poco probable que se sumerjan en él o en las soluciones de éste.
3.3.2. Herramientas de representación de problemas
Anteriormente he descrito las formas de representación de los pro-

blemas dirigidas a los estudiantes, incluyendo el formato narrativo y
las actividades reales y concretas. Cabe remarcar que la manera
como se plantean los problemas a los estudiantes en el enunciado
afecta a la representación mental que se hacen de los problemas que
intentan resolver. Éste es el objetivo: conseguir que los estudiantes
construyan un modelo conceptual significativo de los problemas que
intentan resolver. Sin embargo, esta representación del problema
sólo es una de las fuentes de influencia. El modelo para implicar a
los estudiantes en los problemas de análisis de casos requiere el uso
de herramientas para que los estudiantes construyan su propia re-
presentación externa de los problemas. El modelo de dinámicas de
sistemas de la población fumadora en la figura 19 representa el tipo
de herramienta de representación de problemas que puede usarse
para representar cualquier tipo de problemas de análisis de casos.
Este modelo (producido con Stella) representa las relaciones dinámicas

ANOTACIONES
entre distintos factores que afectan a la población. Si la tarea del estu-

diante fuera reducir el número de fumadores en la población de Estados
Unidos para reducir los gastos sanitarios, los estudiantes podrían empe-
zar construyendo un modelo de este tipo. Las herramientas de dinámi-
cas de sistemas permiten que los estudiantes añadan o quiten factores y
comprueben los resultados de los cambios efectuados en estos factores.
También pueden comprobar sus modelos cambiando los valores de los
parámetros y viendo los resultados. La figura 20 muestra el resultado
del modelo con la contribución extra de la campaña antitabaco. Los re-
83
sultados de estos modelos también pueden usarse como información

para apoyar los argumentos de los estudiantes (descritos más adelante).
Figura 19. Modelo de dinámicas de sistemas de la población fumadora.
Figura 20. Resultado del modelo de dinámica de sistemas.

ANOTACIONES
84
3.3.3. Generar opciones de solución: acomodar

perspectivas múltiples
He descubierto que la teoría de la flexibilidad cognitiva es uno de

los mejores modelos para facilitar el estudio de múltiples perspec-
tivas, un proceso esencial para resolver problemas de análisis de
casos y para llegar a ser un estudiante maduro epistémicamente
(Spiro y Jehng, 1990). Esta teoría subraya la interrelación concep-
tual de ideas y su interconexión. Los entornos de flexibilidad cog-
nitiva representan intencionadamente múltiples perspectivas o
interpretaciones del contenido en los casos utilizados para ilustrar
el campo de contenido. La mala estructuración de cualquier cam-
po de conocimiento se ilustra mejor con múltiples perspectivas o
temas que se encuentran inherentes en los problemas representa-
dos. Hemos usado hipertextos de flexibilidad cognitiva en un en-
torno sobre temas de biodiversidad, uso de la tierra y estilos de
control y resolución de conflictos a medida que han ido apare-
ciendo en la controversia surgida tras la reintroducción del lobo
gris mexicano en las áreas salvajes del suroeste americano. El en-
torno de reintroducción del lobo (véase la figura 21) permite que
el estudiante examine el tema de la reintroducción desde una
perspectiva de una docena de personas afectadas por los lobos,
incluyendo rancheros y defensores del medioambiente. También
identificamos diversos problemas temáticos interconectados con
sus comentarios, incluyendo control local frente a control nacional
de la tierra, consumo frente a conservación, cooperación frente a
cooptación. Para llegar a un juicio sobre la continuación de la
práctica, los estudiantes tuvieron que entender y reconciliar estos
puntos de vista. Es esencial que entiendan las distintas perspecti-
vas que complican los problemas de análisis de casos para gene-
rar y evaluar las distintas soluciones.
ANOTACIONES
3.3.4. Argumentación
Como hemos afirmado antes, los problemas mal estructurados tie-

nen una naturaleza dialéctica en la cual se utilizan dos o más con-
ceptualizaciones opuestas del problema (diferentes espacios del
mismo) para apoyar distintos argumentos con presunciones opuestas
subyacentes (Churchman, 1971). Por lo tanto, es importante que los
estudiantes sean capaces de articular las distintas concepciones de-
85
fendiendo argumentos para la solución que ellos proponen. El argu-

mento aporta la mejor prueba del conocimiento dominante que
pueden haber adquirido. El desarrollo de argumentos lógicos para
apoyar un pensamiento divergente [juicio reflexivo (Kitchner y King,
1981)] no sólo lleva a una cognición y metacognición del proceso
utilizado para resolver el problema, sino también a una conciencia
de la naturaleza epistémica del proceso y de la verdad o valor de las
distintas soluciones (Kitchner, 1983). En el entorno de geografía,
existen distintas carreteras posibles que pueden escogerse y muchas
razones para escoger una de ellas. Exigir a los estudiantes que desa-
rrollen un argumento para su elección es equivalente a solucionar
problemas.
Figura 21. Entorno de reintroducción del lobo.

ANOTACIONES
Es decir, aporta datos de evaluación muy útiles para ayudar al pro-

fesor a determinar qué sabe el estudiante. Se puede entrenar y ayu-
dar a recordar mediante una serie de preguntas o apuntes de juicio
reflexivo (Kitchner y King, 1981), como los siguientes:
• ¿Podéis llegar a estar seguros de que vuestra posición es correc-

ta? ¿Llegaremos a saber cuál es la posición correcta?
• ¿Cómo habéis llegado a esta opinión? ¿En qué la basáis?
86
• Cuando las personas difieren en temas como éste, ¿es porque al-
guien tiene la razón y los otros están equivocados? ¿Hay una opi-
nión que sea peor y las otras mejores?
• ¿Cómo es posible que las personas puedan tener puntos de vista

tan distintos?
• ¿Qué significa para vosotros que los expertos no se pongan de

acuerdo en este tema?
ANOTACIONES
87
4. Argumentación mediante la tecnología para apoyar

la resolución de problemas
aaa
“Probablemente en la argumentación es donde pode-
mos encontrar de forma más significativa el pensa-
miento y razonamiento de mayor nivel que pueden
desarrollar la mayoría de personas. El pensamiento ar-
gumentativo forma parte de las creencias de las perso-
nas, de sus juicios y de las conclusiones a las que
llegan, y aparece en cada decisión importante que de-
ben tomar. Así pues, el pensamiento argumentativo se
encuentra en el centro de lo que debería valorarse a la
hora de examinar cómo y hasta qué nivel piensan las
personas.” (Kuhn, 1992, pp. 156-157)
La argumentación no es sólo una habilidad cognitiva esencial; es

algo endémico en nuestra cultura. Neil Postman (1995) observa que
la Declaración de Independencia se compuso en forma de argumen-
to. La Constitución también es un argumento fundado con la creen-
cia de que cada persona debería tener el derecho a defender
libremente su postura.
aaa
¿Qué es un argumento? Aunque su significado cotidia-
no implica un conflicto o confrontación entre personas,
un argumento intelectual consta necesariamente de
ANOTACIONES
dos partes: una premisa y una conclusión. Normal-

mente se expresan en forma de si (como, por el hecho
de que) premisa, entonces (por lo tanto, por consi-
guiente) solución. “Como en el curso de Biología piden
más deberes que en cualquier otro, no deberías hacer-
lo”. Este argumento tiene una presunción escondida:
“el objetivo del estudiante es evitar el trabajo excesivo”.
Puede haber un contraargumento que afirme que “si
89
aaa
trabajas más, aprenderás más,” seguido de “si en el
curso de Biología aprendes más, deberías hacerlo,”
asumiendo que “el objetivo del estudiante es aprender
lo máximo posible”.
Las habilidades de argumentación incluyen analizar

argumentos en un texto o en otros entornos de apren-
dizaje y también la habilidad de construir argumentos
(Marttunen, 1994). Los estudiantes preuniversitarios
normalmente no tienen muy desarrolladas estas dos
habilidades. Sin embargo, solucionar cualquier proble-
ma exige la construcción implícita o explícita de argu-
mentos. En otras palabras, la solución a un problema
es un argumento, es decir, solucionar un problema ne-
cesita de una argumentación. Cualquier solución a un
problema es una conclusión. La calidad de la solución
(conclusión) es una función de la validez de las premi-
sas. La argumentación es un proceso en el que se ha-
cen declaraciones (sacar conclusiones) y se da una
justificación (premisas) aportando pruebas a las decla-
raciones (Toulmin, 1958). La argumentación es un tipo
esencial de razonamiento informal fundamental para
la habilidad intelectual que interviene a la hora de so-
lucionar problemas, hacer juicios y tomar decisiones,
formular ideas y creencias (Kuhn, 1991). La argumen-
tación requiere que quien quiera solucionar un proble-
ma identifique varias perspectivas alternativas, puntos
de vista y opiniones; que desarrolle y elija una solución
razonable y preferible, y que apoye la solución con da-
tos y pruebas (Voss, Lawrence, y Engle, 1991). La argu-
mentación es una variable que predice el éxito del
ANOTACIONES
estudiante ante problemas bien y mal estructurados

(Hong, Jonassen y McGee, 2003).
A pesar de su importancia, la mayoría de las personas no son

grandes expertos en la construcción de argumentos lógicos (Cer-
bin, 1988). Más concretamente, no utilizan advertencias para co-
nectar pruebas con sus afirmaciones (afirmación = la reducción
de impuestos aumentará los ahorros; advertencia = propensión
90
marginal al consumo; pruebas = reducción de ahorros el último año

e incremento de los ingresos por ventas), pero razonar desde las afir-
maciones hasta las pruebas es esencial para resolver problemas. Bell
y Linn (1997) sugieren que hacer conjeturas con advertencias, y no
con descripciones, para apoyar los argumentos es un indicio de que
los estudiantes están llegando a conjeturas científicas, que les permi-
ten generar mejores soluciones a los problemas.
¿Cómo podemos facilitar el desarrollo de las habilidades de ar-

gumentación de los estudiantes? Cerbin (1988) propone una ins-
trucción directa de las habilidades de razonamiento que se base
en un modelo explícito de argumentación. Durante años, este en-
foque ha sido el método estándar utilizado. Varios investigadores
han utilizado la instrucción directa en la estructura y la notación
de la argumentación (Knudson, 1991; Sanders, Wiseman, y Gass,
1994; Yeh, 1998). Sin embargo, los estudios han demostrado re-
sultados inconsistentes: la instrucción directa no siempre cumple
las expectativas de mejora de las habilidades argumentativas. Al-
gunos de ellos indican que este tipo de instrucción sí que produce
una mejora (Sander, Wiseman, y Gass, 1994), mientras que otros
demuestran que no se llega a resultados positivos en este aspecto
(Knudson, 1991).
4.1. Tecnologías de argumentación
Durante la última década, algunos investigadores han desarrollado

herramientas de argumentación basadas en la tecnología, que pue-
den utilizarse como entornos aislados o fijarse en entornos de apren-
dizaje más complejos. Estas herramientas pertenecen a una nueva
ANOTACIONES
clase de herramientas cognitivas que se conocen como software de

CSCA (siglas de computer-supported collaborative argumentation, o
argumentación colaborativa asistida por ordenador). Su objetivo es
apoyar la construcción de argumentos del estudiante, incluyendo la
búsqueda de advertencias y pruebas que respalden sus afirmacio-
nes. Son entornos estructurados para introducir a los estudiantes en
“juegos de diálogo” (Moore, 2000). Los juegos de diálogo tienen un
conjunto de reglas para regular las contribuciones de los participan-
91
tes a cualquier discusión. Las herramientas CSCA se usan para mo-

derar discusiones en línea.
Los entornos CSCA pueden usarse de forma efectiva para apoyar

la búsqueda de distintas soluciones para distintos tipos de proble-
mas. Es decir, cuando los estudiantes colaboran para solucionar
problemas, pueden usar entornos CSCA que les ayuden a construir,
justificar y debatir las soluciones que han escogido. Por el hecho de
que los estudiantes no son grandes expertos en argumentación, los
entornos de discusión pueden dirigir o impulsar formas más argu-
mentativas de discusión. Cho y Jonassen (2002) han demostrado
que el uso de Belvedere (descrito más adelante) para impulsar la
construcción de argumentos del estudiante no sólo mejora sustan-
cialmente su argumentación, sino también su capacidad de solu-
ción de problemas bien y mal estructurados. La mayoría de
entornos que serán descritos a continuación no pueden adaptarse
a las necesidades de un problema en particular. Es decir, tienen
una estructura establecida.
Ejemplo
Belvedere, por ejemplo, tiene cuatro articulaciones de

conversación predefinidas (“hipótesis”, “datos”, “prin-
cipios” e “inespecificaciones”) y tres enlaces (“a favor”,
“en contra” e “y”) para conectarlas. Esta estructura ge-
nérica puede enriquecer la solución de problemas. Aún
no se conoce, sin embargo, cuánto se podría enrique-
cer con un conjunto modificable de articulaciones y en-
laces. Esta última capacidad de articulaciones y enlaces
modificables la ofrece la primera de las herramientas
que voy a describir.
ANOTACIONES
En la Universidad de Missouri, hemos construido un entorno de ar-

gumentación asistida que permite que cualquier instructor construya
una estructura de discurso específica para un campo o problema con
el fin de restringir el diálogo durante un foro de discusión. El instruc-
tor define los tipos de mensaje que son más adecuados para el tema
de discusión. En la figura 22, el instructor ha identificado el primer
tipo de mensaje, una propuesta de solución. Este tipo de mensaje es-
taría en el nivel más alto de una discusión centrada en la solución de
un problema.
92
Figura 22. Creando tipos de mensaje.
Después de especificar todos los tipos de mensaje, el instructor especifi-

ca las relaciones entre estos tipos (véase la figura 23). Esto se hace com-
probando los tipos de mensajes permitidos para responder a los otros
tipos. Al utilizar la estructura de argumentación de Toulmin, este instruc-
ANOTACIONES
tor ha agrupado los tipos de declaraciones que componen un argumen-

to en tres niveles (propuesta, advertencia y pruebas). El instructor envía
la explicación de un problema, y los estudiantes pueden responder sólo
utilizando declaraciones del nivel propuesta. La única declaración dis-
ponible en el nivel propuesta de nuestra estructura es la “propuesta de
solución”, y sólo puede responderse con declaraciones del nivel adver-
tencia. Entre las declaraciones del nivel advertencia encontramos “razón
para apoyar”, “razón para rehusar” y “modificar propuesta”. En lugar
de seguir este paso, el instructor también puede seleccionar adverten-
93
cias teóricas o que estén basadas en lecturas o incluso posturas acepta-

das. Las declaraciones en el nivel advertencia sólo pueden responderse
con declaraciones del nivel pruebas, que (en este caso) incluyen “infor-
mación o hechos”, “opinión personal o creencia”, “experiencia perso-
nal” y “descubrimientos de investigación”. Los tipos de mensaje pueden
cambiarse fácilmente, añadiendo o eliminando algunos de ellos.
Figura 23. Definir relaciones entre tipos de mensajes.
Figura 24. Tabla de discusión.

ANOTACIONES
El foro de discusión se parece mucho a otras tablas de boletines de dis-

cursos (figura 23). Se puede acceder a cada mensaje ordenado jerár-
quicamente haciendo un doble clic. Durante la discusión en línea, los
94
estudiantes pueden seleccionar el enlace “mensajes nuevos”, en el cual

ya sólo tienen la opción de enviar la ”propuesta de solución”. También
pueden responder a los mensajes. Después de haber escogido cuál res-
ponder y antes de escribirlo, el estudiante debe elegir el tipo de mensaje
que quiere enviar. Por ejemplo, si contesta un tipo de mensaje de ”pro-
puesta de solución”, entonces lo primero que debe hacer es elegir un
tipo de mensaje utilizando la interfaz de la figura 24.
Figura 25. Opciones de respuesta a una propuesta de solución.
Después de elegir el tipo de mensaje que quieren enviar, los estu-

diantes escriben sus mensajes. Cada mensaje se identifica por tipo
de mensaje, autor y fecha (véase la figura 25). Hemos comprobado
este entorno en distintos campos y estamos llevando a cabo unas in-
vestigaciones para comprobar su eficacia.
Este entorno de conversación permite que el profesor o diseñador del

curso adapte la estructura de la discusión para llegar a satisfacer las
necesidades concretas de la actividad. Por ejemplo, si diseñarais un
curso de resolución de dificultades de forma colaborativa, la tabla de
discusión se estructuraría según el proceso de resolución de dificul-
tades. En el nivel superior, los estudiantes podrían decidir qué acción
ANOTACIONES
llevar a cabo. Al desarrollar más a fondo esta articulación, las arti-

culaciones de niveles más bajos exigirían al estudiante que enviara
hipótesis, pruebas para sugerir la acción o alguna justificación para
llevarla a cabo. Al enseñar a los estudiantes cómo defenderse ante
un tribunal, se podría impulsar esta actividad aportando el argumen-
to en el nivel superior, elaborado por casos precedentes, propuestas
estratégicas o conectadas con otros argumentos. No hay estudios so-
bre la eficacia de sistemas de conversación específicos de cada cam-
po, pero es razonable pensar que podrán obtener éxito.
95
4.1.1. SenseMaker
El SenseMaker forma parte de un entorno de integración del conoci-

miento, expuesto por WISE (siglas de web-based inquiry science en-
vironment, o entorno de investigación científica basada en la web),
un entorno de aprendizaje científico en línea, gratuito para estudian-
tes de educación primaria y secundaria. SenseMaker (figura 26) se
diseñó para promover la teorización de los estudiantes, para que
apoyaran la coordinación teoría-pruebas y expusieran su pensa-
miento de una forma visible durante los debates de clase. Los estu-
diantes agrupan las distintas pruebas en categorías y crean
argumentos científicos asociados a un proyecto. Mediante el soft-
ware, trabajan con puntos de pruebas que representan partes indivi-
duales de pruebas en la web y exponen marcos que corresponden a
categorías conceptuales (grupos) para las pruebas.
Figura 26. Pantalla de senseMaker.

ANOTACIONES
96
4.1.2. Belvedere
Belvedere ha sido desarrollado por el Centro de Desarrollo e Investigación
de Aprendizaje de la Universidad de Pittsburgh, con el objetivo de apoyar
a los estudiantes en la creación de argumentos construidos socialmente.
Belvedere aporta un marco para organizar, exponer y grabar el proceso
de argumentación, para que los estudiantes puedan desarrollar su argu-
mento de una manera más fácil y llegar a solucionar un problema mien-
tras trabajan con los otros miembros del grupo. Concretamente,
Belvedere ofrece cuatro articulaciones de conversaciones predefinidas
(“hipótesis”, “datos”, “principios” y “no especificadas”) y tres enlaces (“a
favor” “en contra” e “y”) (véase la figura 27). Las restricciones de este sis-
tema se determinan a partir de los tipos de articulaciones y los enlaces en-
tre éstas. Se pide a los usuarios que enlacen sus comentarios a un
comentario ya existente utilizando uno de los cuatro tipos de mensaje. Por
ejemplo, los datos y principios sirven para modificar hipótesis. Los estu-
diantes utilizan cuadros y enlaces predefinidos para desarrollar sus argu-
mentos durante una sesión de solución de problemas. Pueden usar esta
herramienta para organizar sus ideas y los mensajes que enviaron al BBS.
Figura 27. Diagrama hecho por estudiantes de educación secundaria (16 años) sobre el sida.
ANOTACIONES
97
4.1.3. Convince Me
Convince Me es un programa de “mesa de trabajo para los razona-

dores” que no depende de ningún campo y que apoya el desarrollo
de la argumentación y la revisión y ofrece feedback sobre la cohe-
rencia de los argumentos en función de la teoría de la coherencia ex-
plicativa (Ranney y Schank, en prensa).
Convince Me incorpora herramientas para hacer diagramas de una

estructura de argumentación y modificar los argumentos y creencias
de cada persona. Al usarlo, las personas pueden: (a) articular sus
creencias sobre una controversia, (b) categorizar cada creencia en
función de si hay pruebas o son hipotéticas, (c) conectar sus creencias
para apoyar o rehusar una tesis, (d) ofrecer valoraciones para indi-
car la credibilidad de las afirmaciones y (e) efectuar una simulación
de conexiones que aporte feedback sobre la coherencia de los argu-
mentos. Este feedback hace que Convince Me sea una de las herra-
mientas de argumentación más importantes que existen.
Convince Me ha sido usado para razonar sobre distintas situaciones

sociales, como la interpretación del comportamiento humano (por
ejemplo, sobre si bostezar indica una expresión subconsciente de
agresión o simplemente una falta de oxígeno, o sobre si debería le-
galizarse la marihuana. El uso de Convince Me ha ayudado a los es-
tudiantes a estructurar los argumentos consistentes con sus creencias
(Schank y Renay, 1992), a medida que iban cambiando sus estruc-
turas de argumentación el doble de veces que los estudiantes que uti-
lizaban protocolos escritos. Estos estudiantes que usaban Convince
Me también empleaban más explicaciones y contradicciones en sus
argumentos.
ANOTACIONES
98
Resumen
Este módulo contempla tres áreas principales: la construcción de mo-

delos, la solución de problemas y la argumentación. Estas áreas re-
presentan las investigaciones más actuales que el autor, Jonassen,
está llevando a cabo. El modelado, la resolución de problemas y la
argumentación son actividades constructivistas que pueden llevar a
un aprendizaje significativo y pueden recibir el apoyo efectivo de la
tecnología. Junto a este módulo encontramos estudios de caso que
muestran cómo se pueden involucrar los estudiantes en estas activi-
dades.
ANOTACIONES
99
Mapa conceptual
ANOTACIONES
101
Glosario
affordances
Véase habilitaciones
cambio conceptual
m Cambio en la organización o estructura de la comprensión conceptual.
carga cognitiva
f Cantidad de actividad cognitiva (razonamiento, atención, memoria,
cálculo) que se requiere para desarrollar distintas actividades.
dilema
m Problema basado en temas éticos o sociales que no puede predecirse
porque no hay ninguna solución que sea aceptable para una parte im-
portante de las personas afectadas.
espacio del problema

m Representación mental de un problema, de sus componentes y de las
proposiciones necesarias para entenderlo y resolverlo.
habilitaciones
f pl Capacidad de dar soporte a la actividad; característica de un sistema
o un fenómeno que permite a los animales o humanos realizar activida-
des concretas.
en afordances
ANOTACIONES
mala categorización
f Clasificación incorrecta de la naturaleza de un problema.
metacognitivo -a
adj Aprender a aprender estrategias que requieren una conciencia indi-
vidual y la regulación de los procesos cognitivos utilizados.
103
micromundo
m Entorno de inmersión, basado en la informática, que simula algu-
nos fenómenos del mundo real y permite que el estudiante los expe-
rimente.
modelo conceptual
m Modelo visual de un sistema que ilustra las interconexiones de los com-
ponentes del mismo.
modelo mental
m Modelo conceptual construido por los humanos para representar su
comprensión de sistemas, objetos y otros fenómenos.
perturbación
f Pensamiento estimulador sobre algo mediante la aportación de in-
formación conflictiva o perspectivas alternativas; disonancia cogniti-
va.
problemas algorítmicos
m pl Problemas que utilizan unos procedimientos finitos y rígidos con de-
cisiones predichas y limitadas que normalmente exigen comprensión nu-
mérica, producción numérica y cálculo.
problemas de actuación estratégica

m pl Problemas que necesitan actividades complejas a tiempo real, en las
que se apliquen un determinado número de actividades tácticas para lle-
gar a una estrategia más compleja y mal estructurada manteniendo la
conciencia situacional.
problemas de análisis de casos

ANOTACIONES
m pl Problemas complejos, desestructurados y que requieren situaciones

multifacéticas.
problemas de diseño
m pl Problemas que requieren aplicar muchos conocimientos domi-
nantes junto con conocimientos estratégicos para producir un diseño
original.
104
problemas de resolución de dificultades

m pl Problemas en los que la persona que quiere solucionarlos intenta
descubrir un estado falso en un sistema (parte de un sistema que no fun-
cione correctamente), provocando un conjunto de síntomas que deben
diagnosticarse y concordar con el conocimiento que tiene el usuario so-
bre los distintos estados falsos.
problemas de toma de decisiones

m pl Problemas que requieren comparar y contrastar las ventajas e in-
convenientes de soluciones alternadas para llegar a tomar una decisión.
problemas lógicos
m pl Pruebas abstractas de lógica que dejan perplejo al estudiante y que se
usan para valorar la agudeza mental, la claridad y el razonamiento lógico.
problemas desestructurados
m pl Problemas que pueden tener soluciones alternativas, definidas de
forma imprecisa u objetivos que no están claros y restricciones no decla-
radas; soluciones múltiples, vías de solución o ninguna solución; criterios
múltiples para la evaluación de soluciones.
problemas matemáticos narrados

m pl Problemas bien estructurados en los que los valores numéricos ne-
cesarios para solucionar un algoritmo están fijados en una narración
breve o situación.
problemas que usan reglas

m pl Problemas en los que pueden aplicarse un número limitado de re-
glas de distintos campos y de formas distintas.
ANOTACIONES
razonamiento basado en casos

m Método de inteligencia artificial para representar aquello que las per-
sonas saben en forma de historias.
representaciones cualitativas
f pl Medios verbales, visuales o no-numéricos para representar un pro-
blema y su estructura o tipo.
105
simulaciones cognitivas
f pl Programas informáticos que puedan funcionar y que representen mo-
delos de actividades humanas cognitivas que "pretenden modelar estruc-
turas mentales y procesos humanos cognitivos".
sistema experto
m Conjunto de hechos y reglas SI-ENTONCES que parecen expertos hu-
manos; normalmente ayuda a los usuarios en tareas que requieren to-
mar decisiones.
ANOTACIONES
106
Bibliografía
Adams-Webber, J. (1995) Constructivist psychology and knowledge elicita-

tion. Journal of Constructivist Psychology, 8 (3), 237-249.
Anzai, Y. (1991) Learning and use of representations for physics problems.

En K. A. Ericsson y J. Smith (Eds.), Toward a general theory of expertise.
Cambridge: Cambridge University Press.
Bagno, E., Eylon, B. S., y Ganiel, U. (2000) From fragmented knowledge to

a knowledge structure: Linking the domains of mechanics and electromag-
netism. American Journal of Physics, Supplement, 8 (7), S16-S26.
Barab, S. A., Barnett, M., Yamagata-Lynch, L., Squire, K., y Keating, T. (en
prensa) Using activity theory to understand the contradictions characterizing
a technology-rich introductory astronomy course. Mind, Culture, and Activity.
Barab, S., Evans, M. A., y Baek E. O. (2004) Activity Theory As a Lens for
Characterizing the Participatory Unit. En D. Jonassen (Ed.), Handbook of Re-
search for Educational Communications and Technologies (2.a ed.) Mahwah,
NJ: Lawrence Erlbaum Associates.
Baxter-Magolda, M. B. (1987) Comparing Open-Ended Interviews and

Standardized Measures of Intellectual Development. Journal of College Stu-
dent Personne, 28, 443-448.
Blessing, S. B. y Ross, B. H. (1996) Content effects in problem categorization

and problem solving. Journal of Experimental Psychology: Learning, Me-
mory, and Cognition 22 (3), 792-810.
ANOTACIONES
Bransford, J. y Stein, B. S. (1983) The IDEAL problem solver: A guide for im-
proving thinking, learning, and creativity. Nueva York: W.H. Freeman.
Briars, D. J. y Larkin, J. H. (1984) An integrated model of skill in solving ele-

mentary word problems. Cognition and Instructio, 1, 245-296.
Carey, S. (1992) The origin and evolution of everyday concepts. En R. N.

Giere (Ed.), Minnesota Studies in the philosophy of science (XV) Cognitive mo-
dels of science (pp. 129-186). Mineapolis, MN: University of Minnesota
Press.
107
Cerbin, B. (1988) The nature and development of informal reasoning skills in

college students. (ERIC Document Reproduction Service, núm. ED 298 805).
Chi, M. T. H. (1992) Conceptual change within and across ontological ca-

tegories: Examples from learning and discovery in science. En R. N. Giere
(Ed.), Minnesota Studies in the philosophy of science, (XV) Cognitive models
of science (pp.129-186). Mineapolis, MN: University of Minnesota Press.
Chi, M. T. H., Feltovich, P. J., y Glaser, R. (1981) Categorization and repre-

sentation of physics problems y experts and novices. Cognitive Science, 5,
121-152.
Cho, K. L. y Jonassen, D. H. (2002) The effects of argumentation scaffolds

on argumentation and problem solving. Educational Technology: Research
& Development 50 (3), 5-22.
Confrey, J. y Doerr, H. M. (1994) Student modelers. Interactive Learning En-

vironment, 4 (3), 199-217.
DeKonig, K. y Bredwg, B. (2001) Exploting model-based reasoning in edu-

cational systems: illuminating the learer modeling problem. En K. D. Forbus
y P. J. Feltovich (Eds.), Smart machines in education (pp. 299-330). Menlo
Park, CA: AAAI Press.
Derry, S. J. y Grupo de Investigación TiPS (2001). Development and Asses-

sment of Tutorials in Problem Solving (TiPS): A Remedial Mathematics Tutor.
Final Report to the Office of Naval research (N00014-93-1-0310). Madison,
WI: Wisconsin Center for Education Research, University of Wisconsin-Madi-
son.
Di Sessa, A. y Abeson, H. (1986) Boxer: A reconstructible computational

medium. Communications of the ACM, 29, 859-868.
Dole, J. A. y Sinatra, G. M. (1998) Reconceptualizing change in the cogni-

tive construction of knowledge. Educational Psychologist, 33, 109-128.
ANOTACIONES
Duffy, T. M. y Cunningham, D. Constructivism: Implications for the Design

and Delivery of Instruction. En D. H. Jonassen (Ed.), The handbook of resear-
ch on educational communications and technology. Nueva York: Scholastic.
Dunkle, M. E., Schraw, G., y Bendixen, L. D. (1995, abril) Cognitive pro-

cesses in well-defined and ill-defined problem solving. Artículo presentado en
la reunión anual de la American Educational Research Association. San
Francisco: CA.
108
Edmundson, K. M. (2000) Assessing science understanding through concept

maps. En J. J. Mintzes, J. H. Wandersee y J. D. Novak (Eds.), Assessing scien-
ce understanding: A human constructivist view (pp. 19-40). San Diego: Aca-
demic Press.
Engeström, Y. (1987) Learning by expanding: An activity-theoretical appro-

ach to developmental research. Helsinki, Finlandia: Orienta-Konultit.
Ferguson, W., Bareiss, R., Birnbaum, L., y Osgood, R. (1991) ASK Systems:
An Approach to the Realization of Story-Based Teachers. The Journal of the
Learning Sciences, 2 (1), 95-134.
Fisher, K. M. (2000) SemNet software as an assessment tool. En J. J. Mint-

zes, J. H. Wandersee y J. D. Novak (Eds.), Assessing science understanding:
A human constructivist view (pp. 198-223). San Diego: Academic Press.
Frederiksen, J. R. y White, B. Y. (1998) Teaching and learning generic mode-

ling and reasoning skills. Journal of Interactive Learning Environmen, 55, 33-51.
Gentner, D. y Stevens, A. L. (1983) Mental models. Hillsdale. NJ: Lawrence

Erlbaum Associates.
Grabinger, R. S. (1996). Rich environments for active learning. En D. H. Jo-

nassen (Ed.), Handbook of research for educational communications and te-
chnology. Nueva York: Macmillan.
Hannafin, M. J., Hall, C., Land, S., y Hill, J. (1994) Learning in open-ended
learning environments: Assumptions, methods, and implications. Educatio-
nal Technology, 34 (8), 48-55.
Hayes, J. R. y Simon, H. A. (1977) Psychological differences among pro-

blem isomorphs. En N. J. Castellan, D. B. Pisoni y G. R. Potts (Eds.), Cognitive
theory (pp. 21-41). Hillsdale, NJ: Lawrence Erlbaum Associates.
Hernandez-Serrano, J. y Jonassen, D. H. (2003) The effects of case libra-

ANOTACIONES
ries on problem solving. Journal of Computer-Assisted Learning.
Hogan, K. y Fisherkeller, J. (2000) Dialogue as data: Assessing students’

scientific reasoning with interactive protocols. En J. J. Mintzes, J. H. Wander-
see y J. D. Novak (Eds.), Assessing science understanding: A human construc-
tivist view (pp. 96-129). San Diego: Academic Press.
Hong, N. S., Jonassen, D. H., y McGee, S. (2003) Predictors of well-struc-

tured and ill-structured problem solving in an astronomy simulation. Journal
of Research in Science Teaching.
109
Johnson-Laird, P. N. (1983) Mental models: Towards a cognitive science of

language, inference, and consciousness. Cambridge, MA: Harvard Universi-
ty Press.
Jonassen, D. H. (1987) Verifying a method for assessing cognitive structure

using pattern notes. Journal of Research and Development in Education, 20
(3), 1-14.
Jonassen, D. H. (1997) Instructional design models for well-structured and

ill-structured problem-solving learning outcomes. Educational Technology:
Research and Development, 45 (1), 65-95.
Jonassen, D. H. (2000) Computers as Mindtools for schools: Engaging criti-

cal thinking. Columbus, OH: Merrill/Prentice-Hall.
Jonassen, D. H. (2003) Using cognitive tools to represent problems. Journal

of Research on Technology in Education.
Jonassen, D. H., Beissner, K., y Yacci, M. A. (1993) Structural knowledge:

Techniques for representing, conveying, and acquiring structural knowledge.
Hillsdale, NJ: Lawrence Erlbaum.
Jonassen, D. H. y Henning, P. (1999) Mental models: Knowledge in the

head and knowledge in the world. Educational Technology, 39 (3), 37-42.
Jonassen, D. H. y Hernandez-Serrano, J. (2002) Case-based reasoning

and instructional design: Using stories to support problem solving. Educatio-
nal Technology: Research and Development, 50 (2), 65-77.
Jonassen, D. H. y Kwon, H. I. (2001) Communication patterns in computer-

mediated vs. face-to-face group problem solving. Educational Technology:
Research and Development.
Jonassen, D. H., Marra, R. M., y Palmer, B. (en prensa) Epistemological de-

velopment: An implicit entailment of constructivist learning environments. En
ANOTACIONES
S. Dijkstra y N. Seel (Eds.), Instructional design: International perspectives

(vol. 3). Mahwah, NJ: Lawrence Erlbaum Associates.
Jonassen, D., Prevish, T., Christy, D., y Stavurlaki, E. (1999) Learning to

solve problems on the Web: Aggregate planning in a business management
course. Distance Education: An International Journa, 20 (1), 49-63.
Jonassen, D. H. y Tessmer, M. (1996/1997) An outcomes-based taxonomy

for instructional systems design, evaluation, and research. Training Research
Journal, 2, 11-46.
110
Jonassen, D. H. y Wang, S. (en prensa) Using expert systems to build cog-

nitive simulations. Journal of Educational Computing Research.
Jonassen, D. H. (1991) Objectivism vs. constructivism: “Do we need a new

philosophical paradigm?” Educational Technology: Research ad Develop-
ment, 39.
Jonassen, D. H., Peck, K., y Wilson, B. G. (1999) Learning With technology:

A constructivist perspective. Columbus, OH: Merrill-Prentice Hall.
Kolodner, J. (1993) Case-based reasoning. Nueva York: Morgan Kaufman.
Knudson, R. E. (1991) Effects of instructional strategies, grade and sex on

students’ persuasive writing. Journal of Experimental Education, 59 (2), 141-
152.
Kraiger, K. y Salas, E. (1993, abril) Measuring mental models to assess lear-

ning during training. Artículo presentado en la reunión anual de la Society
for Industrial/Organizational Psychology. San Francisco, CA.
Land, S. M. y Hannafin, M. J. (1996) A conceptual framework for the deve-

lopment of theories-in-action with open-ended learning environments. Edu-
cational Technology Research & Development, 44 (3), 37-53.
Larkin, J. H. (1983) The role of problem representation in physics. En D.

Gentner y A.L. Stevens (Eds.), Mental models (pp. 75-98). Hillsdale, NJ:
Lawrence Erlbaum Associates.
Lehrer, R. y Schauble, L. (2000) Modeling in mathematics and science. En R.

Glaser (Ed.), Advances in instructional psychology: volume 5. Educational de-
sign and cognitive science (pp. 101-159). Nueva Jersey: Lawrence Erlbaum.
Lester, J. C., Stone, B. A., y Steling, G. D. (1999) Lifelike pedagogical

agents for mixed-initiative problem solving in constructivist learning environ-
ments. User Modeling and User-Adapted Interaction, 9, 1-44.
ANOTACIONES
Lippert, R. C. (1988) An expert system shell to teach problem solving. Tech

Trends, 33 (2), 22–26.
Luque, M. L. (2003) The role of domain-specific knowledge in intentional

conceptual change. En G. M. Sinatra y P. R. Pintrich (Eds.), Intentional con-
ceptual change. Mahwah, NJ: Lawrence Erlbaum associates.
Marshall, S. P. (1995) Schemas in problem solving. Cambridge: Cambridge

University Press.
111
Maturana, H. R. (1980) Autopoiesis and cognition, the realization of the li-

ving. Boston: Reidel Publishing.
Mayer, R. E. (1982) Memory for algebra story problems. Journal of Educa-

tional Psychology, 74, 199-216.
Mayer, R. E. (1992) Thinking, problem solving, cognition (2.ª ed.) Nueva

York: Freeman.
Mayer, R. E. y Wittrock, M. C. (1996) Problem-solving transfer. In Handbook

of educational psychology (pp. 47-62). Nueva York: Macmillan.
Mayer, R. E., Larkin, J. H., y Kadane, J. B. (1984) A cognitive analysis

of mathematical problem solving ability. En R. Sternberg (Ed.), Advances
in the psychology of human intelligence. Hillsdale, NJ: Lawrence Erlbaum
Associates.
McCloskey, M., Caramaza, A., y Basili, A. (1985) Cognitive mechanisms in

number processing and calculation: Evidence from dyscalculia. Brain and
Cognition 4, 171-196.
McGuinness, C. (1986) Problem representation: The effects of spatial

arrays. Memory & Cognition, 14 (3), 270-280.
Mellar, H., Bliss, J., Boohan, R., Ogborn, J., y Tompsett, C. (1994) Lear-
ning with artificial worlds: Computer-based modeling in the curriculum. Lon-
dres: Falmer Press.
Moore, D. (2000) A framework for using multimedia within argumentation

systems. Journal of Educational Multimedia and Hypermedia, 9 (2), 83-98.
Nathan, M. J. (1998) Knowledge and situational feedback in alearning en-

vironment for algebra story problem solving. Interactive Learning Environ-
ments, 5, 135-139.
ANOTACIONES
Nathan M.J., Kintsch, W., y Young, E. (1992) A theory of algebra-word-

problem comprehension and its implications for the design of learning envi-
ronments. Cognition and Instruction, 9, 329-389.
Newell, A. y Simon, H. (1972) Human problem solving. Englewood Cliffs,

NJ: Prentice Hall.
Novak, G. M., Patterson, E. T., Gavrin, A. D., y Christianson, W. (1999)

Just-in-time teaching: Blending active learning wit web technology. Upper
Saddle River, NJ: Prentice-Hall.
112
Novick, L. R. (1988) Analogical transfer, problem similarity, and expertise.

Journal of Experimental Psychology, 14, 510-520.
Penner, D. E., Giles, N. D., Lhrer, R., y Schauble, L. (1997) Buildig functio-
nal models: designing and elbow. Journal of Research in Science Teaching,
34 (2), 125-143.
Ploetzner, R., Fehse, E., Kneser, C., y Spada, H. (1999) Learning to relate
qualitative and quantitative problem representations in a model-based set-
ting for collaborative problem solving. Journal of the Learning Sciences, 8
(2), 177-214.
Ploetzner, R. y Spada, H. (1998) Constructing quantitative problem repre-

sentations on the basis of qualitative reasoning. Interactive Learning Environ-
ments, 5, 95-107.
Ploetzner, R., Fehse, E., Kneser, C., y Spada, H. (1999) Learning to relate
qualitative and quantitative problem representations in a model-based set-
ting for collaborative problem solving. Journal of the Learning Sciences, 8
(2), 177-214.
Ranney, M. y Schank, P. (en prensa) Modeling, observing, and promoting

the explanatory coherence of social reasoning. En S. Read, L. Miller (Eds.),
Connectionist and PDP models of social reasoning. Hillsdale, NJ: Lawrence
Erlbaum.
Reed, S. K., Willis, D., y Guarino, J. (1994) Selecting examples from solving
word problems. Journal of Educational Psychology, 86, 380-388.
Reed, S. K., Ernst, G. W., y Banerji, R. (1974) The role of analogy in transfer
between similar problem states. Cognitive Psychology, 6, 436-450.
Reusser, K. (1993) Tutoring systems and pedagogical theory: representatio-

nal tools for understanding, planning, and reflection in problem solving. En
S. P. Lajoie, S. J. Derry (Eds.), Computers as cognitive tools (pp. 143-178).
ANOTACIONES
Hillsdale, NJ: Lawrence Erlbaum Associates.
Riley, M. S. y Greeno, J. G. (1988) Developmental analysis of understan-

ding language about quantities in solving problems. Cognition and Instruc-
tion, 5 (1), 49-101.
Rips, L. J. (1986) Mental muddles. En M. Brand, R. M. Harnish (Eds.), The

representation of knowledge and beliefs (pp. 258-286). Tuscon, AZ: Univer-
sity of Arizona Press.
113
Salomon, G., Perkins, D. N., y Globerson, T. (1991) Partners in Cognition:

Extending Human Intelligence with Intelligent Technologies. Educational Re-
searcher, 20 (3), 2-9.
Sanders, J. A., Wiseman, R. L., y Gass, R. H. (1994) Does teaching argu-

mentation facilitate critical thinking? Communication Reports, 7 (1), 27-35.
Savery, J. y Duffy, T. M. (1995) Problem based learning: An instructional

model and its constructivist framework. En B. G. Wilson (Ed.), Designing
constructivist learning environments. Englewood Cliffs, NJ: Educational Tech-
nology Publications.
Schacter, J., Chung, G. K. W. K., y Door, A. (1998) Children's Internet sear-

ching on complex problems: Performance and process analyses. Journal of
the American Society for Information Science, 49, 840-849.
Schank, R. C. (1986) Explanation patterns: Understanding mechanically and

creatively. Hllsdale, NJ: Lawrence Erlbaum Associates.
Schank, R. C. (1990) Tell me a story: Narrative and intelligence. Evanston,

IL: Northwestern University Press.
Schank, R. C. (1994) Goal-based scenarios. En R. C. Schank, E. Langer

(Eds.), Beliefs, reasoning, and decision making: Psycho-logic in honor of Bob
Abelson. Hillsdale, NJ: Lawrence Erlbaum.
Schank, R. C., Fano, A., Bell, B., y Jona, M. (1993-1994) The design of
goal-based scenarios. The Journal of the Learning Sciences, 3 (4), 305-345.
Schnotz, W., Vosniadou, S., y Carreter (1999) New perspectives in concep-

tual change. Amsterdam: Pergamom.
Schwartz, J. L. y Yerulshalmy, M. (1987) The geometric supposer: Using

microcomputers to restore invention to the learning of mathematics. En
D. Perkins, J. Lockhead y J. C. Bishop (Eds.), Thinking: The second inter-
ANOTACIONES
national conference (pp. 525-536). Hillsdale, NJ: Lawrence Erlbaum As-

sociates.
Schwarz, C. V. y White, B. Y. (en prensa) Developing a model-centered

approach to science education. Journal of Research in Science Teaching.
Shavelson, R. J. (1972) Some aspects of the correspondence between con-

tent structure and cognitive structure in physics instruction. Journal of Educa-
tional Psychology, 63, 225-234.
114
Siegler, R. S. (1996) Emerging minds: The process of change in children’s

thinking. Nueva York: Oxford University Press.
Silver, E. A. (1981) Recall of mathematical problem information: Solving re-

lated problems. Journal of Research in Mathematics Education, 12, 54-64.
Simon, D. P. (1978) Information processing theory of human problem sol-

ving. En D. Estes (Ed.), Handbook of learning and cognitive process. Hillsda-
le, NJ: Lawrence Erlbaum Associates.
Smith, M. U. (1991) A view from biology. En M. U. Smith (Ed.), Toward

a unified theory of problem solving. Hillsdale, NJ: Lawrence Erlbaum As-
sociates.
Smith, J. P.; di Sessa, A. A., y Roschelle, J. (1993) Misconceptions recon-

ceived: A constructivist analysis of knowledge in transition. Journal of Lear-
ning Sciences, 3, 115-163.
Spiro, R. J. y Jehng, J. C. (1990) Cognitive flexibility and hypertext: Theory

and technology for the non-linear and multi-dimensional traversal of com-
plex subject matter. En D. Nix, R. J. Spiro (Eds.), Cognition, education, and
multimedia: Explorations in high technology. Hillsdale, NJ: Lawrence Erl-
baum.
Sternberg, R. J. y Frensch, P. A. (Eds.). (1991) Complex problem solving:

Principles and mechanisms. Hillsdale, NJ: Lawrence Erlbaum Associates.
Strike, K. A. y Posner, G. J. (1985) A conceptual change view of learning

and understanding. En L. H. T. West, A. L. Pines (Eds.), Cognitive structure
and conceptual change. (pp. 211-231). Nueva York: Academic. Taylor, H.
A. y Tversky, B. Spatial mental models derived from survey and route des-
criptions. Journal of Memory and Language, 31, 261-292.
Thagard, P. (1992) Conceptual revolutions. Princeton, NJ: Princeton Univer-

sity Press.
ANOTACIONES
Toulmin, S. (1958) The uses of argument. Cambridge, England: Cambridge

University Press.
Veer, G. C. van der (1989) Individual differences and the user interface. Er-
gonomics, 32 (11), 1431-1449.
Vosniadou, S. (1992) Knowledge acquisition and conceptual change.

Applied Psychology: An International Review, 41 (4), 347-357.
115
Voss, J. F. y Post, T. A. (1989) On the solving of ill-structured problems. En

M. T. H. Chi, R. Glaser, M. J. Farr (Eds.), The nature of expertise. Hillsdale,
NJ: Lawrence Erlbaum Associates.
Voss, J. F., Wolfe, C. R., Lawrence, J. A., y Engle, J. A. (1991) From repre-
sentation to decision: An analysis of problem solving in international relatio-
ns. En R. J. Sternberg, P. A. Frensch (Eds.), Complex problem solving:
Principles and mechanisms (pp. 119-158). Hillsdale, NJ: Lawrence Erlbaum
Associates.
White, B. (1993a) ThinkerTools: Causal models, conceptual change, and

science education. Cognition and Instruction, 10 (1), 1-100.
Wittgenstein, L. (1922) Tractatus logico-philosophicus. Londres: Routledge.
Woods, D. R., Hrymak, A. N., Marshall, R. R., Wood, P. E., Crowe, Hoff-
man, T. W., Wright, J. D., Taylor, P. A., Woodhouse, K. A., y Bouchard,
C. G. K. (1997) Developing problem-solving skills: the McMaster problem
solving program. Journal of Engineering Education, 86 (2), 75-92.
ANOTACIONES
116

Del Docente Presencial Al Docente Virtual PDF

Cargado por

Copyright:

Formatos disponibles

Del Docente Presencial Al Docente Virtual PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Del Docente Presencial Al Docente Virtual PDF

Cargado por

Copyright:

Formatos disponibles

Del docente presencial

Distinguished Professor of Education

Responsable de autoría: Josep M. Mominó

1. La construcción de modelos para el cambio

1.4.4. Modelos causales cualitativos ....................... 38

2. Aprender a solucionar problemas ............................ 45

3. Entornos de aprendizaje de resolución

3.1.11. Resumen ................................................... 70

3.3.2. Herramientas de representación

4. Argumentación mediante la tecnología

Mapa conceptual ........................................................... 101

Glosario ......................................................................... 103

Bibliografía .................................................................... 107

El siguiente módulo describe los puntos de vista actuales sobre cómo se

Muchos informes en Estados Unidos han concluido que la compleji-

Este módulo se basa en la teoría sobre el desarrollo del aprendizaje sig-

Las personas dan sentido a su mundo y a todo aquello con lo que

la realidad. Los seres humanos son perceptores e intérpretes que

2. La realidad (el sentido que construimos del mundo) se encuentra

El proceso de elaboración del sentido tiene como resultado un cono-

3. Así pues, existen múltiples perspectivas del mundo

4. El conocimiento se construye a partir de nuestras interacciones

No podemos separar nuestro conocimiento sobre un área, de nues-

tras interacciones con esta área; ni podemos valorar el conocimiento

manos de las formas inferiores de vida (por lo que sabemos) es la

5. Así pues, el conocimiento se encuentra anclado e indexado

6. Por consiguiente, el conocimiento no se puede transmitir

El objetivo explícito de la instrucción tradicional es la “transmisión del

7. La construcción del conocimiento se estimula por una cuestión

Aquello que produce el proceso de construcción del conocimiento

otras personas saben) resulta de una perplejidad (Duffy y Cunning-

8. El significado se negocia de forma social

De la misma forma que todos compartimos el mundo físico, también

9. El significado y el pensamiento se distribuyen entre la cultura

Desde el momento en que entramos a formar parte de comunidades de

10. No todo el significado se crea de la misma forma

Los constructivistas no comparten la opinión deconstructivista, como

examinar la viabilidad del significado de cualquier persona sobre la

Principios de un aprendizaje significativo

Si aceptamos todas estas suposiciones, se produce un cambio en el

dizaje en los centros de formación debería poner énfasis en las si-

Los estudiantes se comprometen con el proceso de aprendizaje en un

Los estudiantes adaptan nuevas ideas a un conocimiento previo

Los estudiantes trabajan en comunidades de aprendizaje y construc-

Los estudiantes intentan conseguir un objetivo cognitivo de forma ac-

Aprender es inherentemente un proceso social, dialógico (Duffy y

se benefician del hecho de pertenecer a comunidades en que se

Las actividades de aprendizaje están situadas en ciertas tareas signi-

Los estudiantes articulan lo que han aprendido y reflexionan sobre

1. La construcción de modelos para el cambio

El aprendizaje significativo debería ser la raison d’ètre de los proce-

1.1. Resultados del aprendizaje significativo

Aquello que para nosotros es significativo depende de nuestras nece-

1.1.1. Modelos mentales

¿Qué sucede cuando las personas aprenden de forma significativa?

Los modelos mentales individuales consisten en representaciones

usarse distintas formas de pruebas, incluyendo el conocimiento es-

Los modelos mentales grupales o colaborativos los construyen so-

grupales o de equipo consisten en representaciones múltiples de