Archivos mensuales: enero 2018

Pensamiento computacional. Una tercera competencia clave (VI): Discusión.

Miguel Zapata-Ros, Universidad de Alcalá

Ésta es la sexta entrada de una serie que, en conjunto, constituirán un capítulo de un libro que será  publicado por la editorial de la Universidad Católica de Santa María de Arequipa (Perú) con el título “El pensamiento computacional: La nueva alfabetización de las culturas digitales”.

En las anteriores entradas se ha planteado que el pensamiento computacional  debe constituir una tercera competencia clave dentro del curriculum escolar, qué son las alfabetizaciones y las culturas digitales , una definición de Pensamiento Computacional, cuáles son las habilidades y procedimientos que lo constituyen y en qué fases de la elaboración de un código intervienen.

 

Discusión.-

Por último hará falta dilucidar cuales son los caminos abiertos y cuales los problemas que podemos encontrarnos en la consideración del Pensamiento Computacional como una competencia clave, en el diseño de un currículo formal y en el diseño de competencias docentes vinculadas a él. En otro punto de este libro abordamos la creación de un lenguaje de patrones.

Falta pues por determinar con evidencias empíricas si, como parece, la codificación es una competencia compleja o un conjunto de competencias, así como establecer en términos diferenciados cuáles son esas competencias y determinar el diseño y los términos de las investigaciones que diesen lugar a estas delimitaciones.

Faltaría pues definir qué es codificación en un sentido pluridisciplinar que implique a profesionales de la psicología del Aprendizaje y del Desarrollo, los especialistas en Educación (Pedagogía del pensamiento computacional, curriculum, etc)

Code, o codificación como lo hemos traducido, o programming code (programación de códigos) consiste en elaborar códigos fuente de programas de ordenador que puedan ser interpretados y/o compilados por un interface para decirle a  un sistema informático cómo se resuelve un problema o cómo se realiza un procedimiento de forma eficaz.

En los documentos utilizados para elaborar este trabajo se ha definido (Balanskat y Engelhardt, October 2014 p. 5) como

una competencia clave que tendrá que ser adquirida por todos los jóvenes estudiantes y cada vez más por los trabajadores en una amplia gama de actividades industriales y profesiones. La codificación es parte del razonamiento lógico y representa una de las habilidades clave que forma parte de lo que ahora se llaman “habilidades del siglo 21″.

No obstante en el informe citado, donde se ponen énfasis en esta necesidad (de hecho es el documento base para la integración de las enseñanzas para la adquisición de las competencias para la codificación) como prioridad de la UE:

  1. No se plantea como una idea de un curriculum integral y sistémico que abarque desde las etapas preescolares hasta la educación universitaria.
  2. Se dedica a describir las experiencias y el estado de la cuestión en los países europeos, donde solo se constatan situaciones de inclusión en otras materias o de materias específicas de programación del tipo que hemos señalado.

Sin embargo en este trabajo hemos puesto de relieve que la codificación es una competencia compleja o más bien un complejo de habilidades de las que participan posiblemente, entre otras, las 14 que hemos glosado, y al que en conjunto es lo que llamamos pensamiento computacional, de manera que su adquisición quedaría incompleta si faltase alguno de estos elementos.

Por último quedaría analizar además cuales serían los pasos siguientes `para determinar el curriculum y las características de la formación de los profesores y maestros.

 

Referencias.-

Balanskat, A.  & Engelhardt , K. (October, 2014). Computing our future Computer programming and coding – Priorities, school curricula and initiatives across Europe.  European Schoolnet (EUN Partnership AISBL) http://www.eun.org/c/document_library/get_file?uuid=521cb928-6ec4-4a86-b522-9d8fd5cf60ce&groupId=43887

 

 

Miguel Zapata Ros

Profesor Honorario en el Centro de Formación y Desarrollo Profesional de la Universidad de Murcia. Investigador en el Instituto Interuniversitario de Economía Internacional. Profesor Externo en la Universidad de Alcalá de Henares, miembro del programas de doctorado en Ingeniería de la Información y del Conocimiento, distinguido con Mención hacia la Excelencia por el Ministerio de Educación (Referencia: MEE2011-0159). Editor de RED, Revista de Educación a Distancia y de Docencia Universitaria. Miembro de INTCODE, agencia consultiva de ONU sobre educación a distancia, y representante en la sede de New York. Doctor en Ingeniería Informática.

More Posts - Website

Follow Me:
TwitterFacebookLinkedInGoogle Plus

Pensamiento computacional. Una tercera competencia clave (V): Fases de creación de un código y componentes de pensamiento computacional.

Miguel Zapata-Ros, Universidad de Alcalá

Ésta es la quinta entrada de una serie que, en conjunto, constituirán un capítulo de un libro que será  publicado por la editorial de la Universidad Católica de Santa María de Arequipa (Perú) con el título “El pensamiento computacional: La nueva alfabetización de las culturas digitales”.

En las anteriores entradas se ha planteado que el pensamiento computacional  debe constituir una tercera competencia clave dentro del curriculum escolar, qué son las alfabetizaciones y las culturas digitales , una definición de Pensamiento Computacional y cuáles son las habilidades y procedimientos que lo constituyen.

Fases de creación de un código y componentes de pensamiento computacional

¿Cómo intervienen o cómo se integran estas componentes en las distintas fases de que consta un proceso de creación de un código? En lo que sigue haremos un abordamiento de ese problema.

Las fases del proceso de creación de un código están muy estudiadas desde el punto de vista de la informática. Ahora queremos estudiarlo desde el punto de vista del pensamiento computacional: qué elementos de este pensamiento, de los que hemos visto en las entradas anteriores, están presentes en cada una de estas fases.

La propuesta cuales son las fases diferenciadas en el proceso de creación de un código es

  • Detección y delimitación del problema y de su naturaleza
  • Delimitación de métodos y disciplinas en la resolución del problema
  • Organización de la resolución,feed back e investigación formativa
  • Diseño de la resolución
  • Algoritmia/ diagrama de flujo.- Incluye la discusión
  • Elaboración del código (programa).- Incluye codificación, ejecuciones e implementación, documentación, etiquetas, modularización
  • Prueba/ Validación .- Incluye implementación y depuraciones de errores,

 

Considerando además que hay elementos que se repiten o que se pueden considerar que están presentes en todas las fases, sin que tengan que ver directamente  y de forma exclusiva con algunas de ellas. Un ejemplo de este tipo de competencias es la metacognición.

La segunda cuestión es qué componentes están presentes en las distintas fases o en todas.

La propuesta que se presenta es (tabla 1):

Competencias  necesarias en todas las fases , sin que tengan que ver directamente  y de forma exclusiva con algunas de ellas Detección y delimitación del problema y de su naturaleza Delimitación de métodos y disciplinas en la resolución del problema Organización de la resolución, feed back e investigación formativa Diseño de la resolución Algoritmia/ diagrama de flujo Elaboración del código (programa) Validación
Metacognición X
Sinéctica X X X X X
Análisis descendente     X   X X
Análisis ascendente         X X
Recursividad     X   X X
Método por aprox.  sucesiv. Ensayo – error         X X X
Heurística       X X X
Iteración         X X
Pensamiento divergente       X    
Creatividad X X X X    
Resolución de problemas X X X X X X X
Pensamiento abstracto X            
Métodos colaborativos X X X X      
Patrones X            

Tabla 1

Miguel Zapata Ros

Profesor Honorario en el Centro de Formación y Desarrollo Profesional de la Universidad de Murcia. Investigador en el Instituto Interuniversitario de Economía Internacional. Profesor Externo en la Universidad de Alcalá de Henares, miembro del programas de doctorado en Ingeniería de la Información y del Conocimiento, distinguido con Mención hacia la Excelencia por el Ministerio de Educación (Referencia: MEE2011-0159). Editor de RED, Revista de Educación a Distancia y de Docencia Universitaria. Miembro de INTCODE, agencia consultiva de ONU sobre educación a distancia, y representante en la sede de New York. Doctor en Ingeniería Informática.

More Posts - Website

Follow Me:
TwitterFacebookLinkedInGoogle Plus

Pensamiento computacional. Una tercera competencia clave (IV): Un dominio teórico específico en las teorías del aprendizaje y un currículum.

Miguel Zapata-Ros, Universidad de Alcalá

Ésta es la cuarta entrada de una serie que, en conjunto, constituirán un capítulo de un libro que será  publicado por la editorial de la Universidad Católica de Santa María de Arequipa (Perú) con el título “El pensamiento computacional: La nueva alfabetización de las culturas digitales”.

En las anteriores entradas se ha planteado que el pensamiento computacional  debe constituir una tercera competencia clave dentro del curriculum escolar, qué son las alfabetizaciones y las culturas digitales y una definición de Pensamiento Computacional.

Un dominio teórico específico del pensamiento computacional en las teorías del aprendizaje y un currículum.

El post anterior lo concluíamos con la elaboración de una definición de Pensamiento computacional que contenía una serie de elementos: habilidades específicas y de técnicas necesarias . Decíamos:

Siguiendo los trabajos de Eggleston (1980), en el artículo publicado en el número monográfico de RED sobre Pensamiento Computacional (Zapata-Ros, 2015), basado en la necesidad de contar con un corpus curricular, y que ahora resumimos, establecimos una relación de habilidades y de elementos más o menos complejos de desarrollo cognitivos asociados al Pensamiento Computacional y que en conjunto lo definen

Así lo planteamos, en el contexto de un análisis y de una elaboración interdisciplinar, viendo las implicaciones que tienen estas ideas para una redefinición de un dominio teórico específico dentro de las teorías del aprendizaje. Y desde luego con la intención de definir descriptivamente, en un primer acercamiento, un currículum adecuado a esos dominios conceptuales para las distintas etapas educativas y para la capacitación de maestros y profesores.

Esto es lo que en una primera aproximación hicimos con las limitaciones de un tratamiento general, pero que ahora estamos tratando de ampliar y de documentar, así como recoger las aportaciones que en los desarrollos prácticos e institucionales se están produciendo. Este es el sentido pues que tiene este trabajo.

En primer lugar resumimos las siguientes componentes del pensamiento computacional, tal como las definimos en el primer trabajo:

Con lo cual abordábamos el problema de la definición del Pensamiento Computacional con la siguiente propuesta, uniendo y completando las ideas de David Bawden (2008, Capítulo 1) con la definición de  Jeannette Wing (Wing, March 2006) y lo analizado el trabajo que precede al presente (Zapata-Ros, 2015):

El pensamiento computacional consiste en la resolución de problemas, el diseño de los sistemas, y la comprensión de la conducta y de las actividades humanas haciendo uso de conceptos y procedimientos básicos para el trabajo y la elaboración de programas y algoritmos en la informática, valiéndose para ello de habilidades específicas y de técnicas necesarias para estos objetivos, que en conjunto constituyen  la base de la cultura digital. Entre estas habilidades y técnicas se identifican las quince siguientes: Análisis ascendente, análisis descendente, heurística, pensamiento divergente, creatividad, resolución de problemas, pensamiento abstracto, recursividad, iteración, métodos por aproximaciones sucesivas (Ensayo – error), métodos colaborativos, patrones, sinéctica, metacognición y cinestesia

En este post vamos a realizar una descripción sucinta de cada uno de estos elementos.

Análisis descendente.-

Frecuentemente la aplicación de un método de resolución de un problema, o el abordamiento de una tarea compleja, es inaplicable tal como se nos presenta. Es entonces cuando la aplicación de un método general de resolución, o de un  algoritmo, implica un proceso detallado de análisis descendente que puede llevar  al diseño de submétodos de resolución, o bien de módulos de resolución de problemas distintos y auxiliares, o bien a definir acciones concretas,  modelos o funciones matemáticas auxiliares, etc.

Análisis ascendente.-

A la hora de plantear un problema complejo una de las formas de abordarlo es resolver primero los problemas más concretos, para pasar después a resolver los más abstractos. Es decir, vamos de lo más concreto a lo más abstracto. Esta forma de plantearlo recibe el nombre de análisis ascendente.

Hay que ser muy cuidadoso a la hora de elegir este método, está repleto de dificultades, la mayor parte de las cuales consisten en el tiempo que lleva y en que necesita de otro tipo de pensamientos, por ejemplo el pensamiento divergente para orientarse en el camino para llegar al resultado general, abstracto que se desea. Muchas veces hay que situarse primero en un nivel abstracto y de allí seleccionar los problemas concretos que nos ilustran para la resolución del problema general.

Heurística[1].-

Habitualmente se define  Heurística como un saber no científico, pero que se aplica en entornos científicos y que se refiere técnicas basadas en la experiencia para la resolución de problemas, al aprendizaje y al descubrimiento de propiedades o de reglas. Los métodos heurísticos no tienen el valor de la prueba sobre los resultados obtenidos con ellos, tienen más bien el valor de la conjetura o de la “regla de oro”,  ni tienen tampoco la garantía de que la solución que se obtiene es  única ni es la óptima. Este saber se obtiene  frecuentemente mediante la observación, el análisis y el registro, como un conocimiento derivado del estudio de los hábitos de trabajo de los científicos (en ese sentido es un arte, una técnica o un conjunto de procedimientos prácticos o informales) para resolver problemas. Cada uno de los procedimientos que constituyen ese saber es un heurístico.  Así podemos decir que un heurístico es cada una de las reglas metodológicas, no necesariamente formuladas como enunciados formales, en las que se  propone cómo proceder y cómo evitar dificultades para resolver problemas y conjeturar hipótesis.

También se considera de forma consensuada  que la heurística es un rasgo propio de los humanos. No es un producto original sino derivado otros procesos como son la creatividad y de lo que se conoce  como pensamiento lateral o pensamiento divergente.

 

Pensamiento lateral  y pensamiento divergente.-

El pensamiento lateral (lateral tinquen) es, en expresión introducida por Edward de Bono (1968, 1970 y 1986):

El pensamiento lógico, selectivo por naturaleza, ha de complementarse con las cualidades creativas del pensamiento lateral. Esta evolución se aprecia ya en el seno de algunas escuelas, aunque la actitud general hacia la creatividad es que constituye algo bueno en sí pero que no puede cultivarse de manera sistemática y que no existen procedimientos específicos prácticos a ese fin. Para salvar este lapso en la enseñanza se ha compuesto este libro, que tiene como tema el pensamiento lateral, o conjunto de procesos destinados al uso dé información de modo que genere ideas creativas mediante una reestructuración perspicaz de los conceptos ya existentes en la mente. El pensamiento lateral puede cultivarse con el estudio y desarrollarse mediante ejercicios prácticos de manera que pueda aplicarse de forma sistemática a la solución de problemas de la vida diaria y profesional. Es posible adquirir habilidad en su uso al igual que se adquiere habilidad en la matemática y en otros campos del saber.

En cualquier caso, el “pensamiento lateral” se ha difundido como paradigma dentro del área de la psicología individual y de la psicología social. Es la forma de pensamiento que está en la génesis de  las ideas que no concuerdan con el patrón de pensamiento habitual. La ventaja de este tipo de pensamiento con respecto a cualquier otro radica en evitar, al evaluar un problema, la inercia que se produce en esos casos producida por ideas comunes o comúnmente aceptadas, que limita las soluciones al problema. El pensamiento lateral ayuda pues a romper con ese esquema rígido de pensar y de formularse las ideas en el aprendizaje, y por consecuencia posibilita obtener ideas creativas e innovadoras. El principio contrario es igualmente cierto, estar en un contexto de ignorancia y de prejuicios o de mediocridad inhibe el pensamiento lateral, divergente, y la creatividad.

Polya y Bono estudian los recursos del pensamiento divergente. Estos recursos empleados en educación, insertos en estrategias y métodos educativos, producen unos aprendizajes distintos, constituyen el aprendizaje divergente. Es un aprendizaje que está en el origen y en la práctica de los estudios de las artes y de los oficios, es común en los talleres de los artistas, de los artesanos y de los científicos e investigadores. En general allí donde se produce creación. De esta forma se puede considerar  aprendizaje divergente como aquel que utiliza los recursos del pensamiento divergente.

 

Creatividad[2].-

El pensamiento divergente y el pensamiento convergente son tratados en relación con la creatividad por Mihály Csíkszentmihályi (1998) en su libro Creativity: Flow and the psychology of discovery and invention, traducido y publicado por Paidós como Creatividad: el fluir y la psicología del descubrimiento y la invención (págs. 83 y 84). El libro no es solo un estudio sobre una amplia variedad de comportamientos, hábitos, e ideas de individuos que han realizado aportaciones sustanciales sobre las cuales hay consenso de su carácter creativo, sino que establece un marco epistemológico y teórico de lo que es la creatividad como facultad humana y como fenómeno (un requisito de la creatividad es su validación social).

Csikszentmihalyi, como hemos visto que lo hace Pólya, coincide en que la creatividad no es consecuencia exclusivamente del pensamiento divergente sino de una combinación de ambos pensamientos, el convergente y el divergente, y desde luego sin el primero no podría producirse aunque el insight lo produzca el segundo. Señala que los creativos, “quienes producen una novedad aceptable en un campo, parecen capaces de usar bien dos formas opuestas de pensamiento: el convergente y el divergente.” Éste sería uno de los principales rasgos de la creatividad. EI pensamiento convergente es el pensamiento que sirve para estructurar los conocimientos de una forma lógica y para aplicar sus leyes. Por decirlo de forma simplificada es el  que se mide por los test de CI, y es condición indispensable para establecer modelos donde se resuelven los problemas bien definidos, que tienen soluciones validables, mediante un procedimiento sin ambigüedades. Pero hay otro pensamiento, es el que guía la acción investigadora hacia las soluciones, y sobre todo el que conduce a unas soluciones no convencionales, e implica fluidez y capacidad para generar una gran cantidad de visiones e ideas sobre el problema que se trabaja, para cambiar de unas a otras, y para establecer asociaciones inusuales. Es el pensamiento divergente, como hemos visto. Estas variables —capacidad de orientar la indagación, fluidez, facilidad para generar ideas, para cambiar de marco y para establecer asociaciones inusuales—  son las que se tienen en cuenta y se miden en los test de creatividad, y las habilidades que se trabajan en la mayoría de los talleres de  creatividad.

 

Resolución de problemas.-

En realidad el pensamiento computacional es una variante del dominio metodológico que se conoce como “resolución de problemas”. Es una restricción de la resolución de problemas a aquellos problemas cuya resolución se puede implementar con ordenadores. En este caso es muy importante distinguir que los aprendices no son sólo los usuarios de la herramienta, sino que sobre todo se convierten en los constructores y en los autores de las herramientas.

Para eso los alumnos utilizan procedimientos, conjuntos de objetos de conocimiento y conceptos que constituyen dominios que tratamos de forma separada en este escrito. Como son la abstracción, la recursividad y la iteración- Los utilizan para procesar y analizar los datos de cara a crear métodos de resolución de problemas, y crear artefactos reales y virtuales para resolverlos. El pensamiento computacional de esta forma se puede considerar también como una metodología de resolución de problemas que se puede automatizar.

La otra vinculación del pensamiento computacional con la resolución de problemas lo constituye la visión que se puede desarrollar en los alumnos y que se manifiesta en el aula para encontrar soluciones a problemas a través del ordenador. Para esta visión también son importantes elementos de pensamiento que veremos con entidad propia como son el desarrollo de herramientas para resolver problemas por métodos de ensayos progresivos y error y por las posibilidades que tienen los ordenadores para trabajar en “una atmósfera de entender las cosas juntos”.

 

Pensamiento abstracto.-

Es la capacidad para operar con modelos ideales abstractos de la realidad, abstrayendo las propiedades de los objetos que son relevantes para un estudio. Una vez obtenido el modelo abstracto de la realidad se estudian sus propiedades, se extraen conclusiones o reglas que permiten predecir los comportamientos de los objetos. El pensamiento abstracto por excelencia es el pensamiento matemático, la geometría, etc.

El pensamiento abstracto tiene mucho que ver con la edad del niño, no solo porque según las teorías de Piaget y las de la Psicología Genética, consideran que la abstracción es producto del desarrollo, de la maduración cognitiva del niño, sino porque los mecanismos de abstracción son muy distintos según la edad la edad del niño, existiendo desde las primeras etapas. Para un niño de dos años, “el día después del día de mañana” es un concepto muy abstracto. Para un estudiante de la universidad, el día después de mañana es un concepto relativamente concreto, sobre todo si la comparamos con las ideas realmente abstractas o  muy abstractas como son el Teorema de Bayes o el principio de indeterminación de Heisenberg.

Por supuesto, hay muchos niveles de abstracción entre estos dos extremos. Una componente importantísima en el diseño curricular es tener en cuenta el proceso de desarrollo intelectual que supone este proceso: Transitar gradualmente de pensamiento muy concreto al pensamiento abstracto, en función del desarrollo individual y esto tenerlo en cuenta en la presentación de los contenidos y destrezas a desarrollar. Esta cautela tiene que ver mucho con otra cuestión muy frecuente: Considerar lo abstracto como difícil y lo concreto como lo fácil, cuando muchas veces lo que sucede es que se presenta una habilidad o un concepto para ser aprendido en un momento poco adecuado, no por la edad exclusivamente sino sobre todo por las condiciones en que se produce el aprendizaje.

 

Recursividad

A veces un problema por su tamaño, o porque depende de un número natural (o de un cardinal) no puede ser resuelto por sí mismo pero puede ser remitido a otro problema de las mismas características o naturaleza pero más pequeño o dependiendo de un cardinal menor, que sí puede ser resuelto, o nos puede dar la pista de una regla de remitir problemas a problemas menores (regla de recurrencia). Y en ambos casos nos permite resolver el problema. A estos métodos, que son así considerados unos métodos de resolución de problemas, se les llama recursividad o recurrencia.

Con el término recursividad también se quiere en otras ocasiones abordar una forma de conceptualizar, de definir, objetos de conocimiento o ideas: De esta forma se dice que están definidos por recurrencia.

En esta forma de abordar el conocimiento se ha visto por un lado una forma más útil, o más económica cognitivamente, de abordar la resolución mediante procesos automatizados, o una forma más eficaz y elegante de abordar conceptos y definiciones que permiten integrarlas más eficientemente desde el punto de la lógica en un sistema teórico.

 

Iteración.-

La iteración consiste en la descomposición de un problema complejo en problemas sencillos, elementales, todos iguales y que se repiten hasta conseguir el objetivo deseado, Construir o diseñar una escalera es un ejemplo de iteración.

Escalera de Bramante (scala del bramante). Escalera de doble hélice iterativa. Museos Vaticanos, Estado de la Ciudad del Vaticano. Wikipedia CC BY-SA 4.0

De esta forma Iteración significa repetir un proceso con la intención de alcanzar una meta, un objetivo o un resultado deseados. Cada elemento que se repite en el proceso también se llama una “iteración”. Otras características lo son: la transferencia de resultados  entre iteraciones: los resultados de una se utilizan como punto de partida para la siguiente iteración; y la cláusula de parada: Qué condición ha de cumplirse para que se detenga el proceso, bien por alcanzar el objetivo, bien por cualquier otra razón

Siempre que hablamos de iteración pensamos en procedimientos repetitivos como los que utilizamos cuando aprendimos o cuando enseñábamos BASIC, Pascal, LOGO, o C++, y más recientemente Java o Phyton. Lo asociamos a bucles, a instrucciones FOR TO, while, do-while, repeat,… y a diagramas de flujo. En definitiva, era difícil hablar de iteración sin pensar en la construcción de algoritmos repetitivos. Sin embargo pocas veces pensamos que hay aprendizajes básicos, en las primeras etapas de desarrollo, donde se pone en marcha un sistema de pensamiento de este tipo. Pensemos por ejemplo en la adquisición que hacen los niños de las ideas sobre fracciones, números racionales, o incluso en los números reales, en la representación decimal, en la notación decimal de números reales, y en su representación ¿qué son sino más que procedimientos iterativos? También podríamos pensar en sistemas de medición, de magnitudes de peso, masa, volumen, superficie,… ¿qué son estos procesos sino sistemas de representación conceptual iterativas?

La iteración es una componente pues importante del pensamiento computacional, con una extensa proyección en otras representaciones cognitivas y en procedimientos que son la base de importantes actividades y tareas, como por ejemplo lo que hemos mencionado en relación con la medida y la representación de magnitudes y valores.

Pero no sólo es relevante a ese nivel, la iteración es la base de procedimientos complejos y está en la resolución de problemas con más alcance o más impacto que lo que supone su definición en una primera aproximación.

 

Métodos por aproximaciones sucesivas. Ensayo – error.

El método de resolución de problemas  por aproximaciones sucesivas, o por ensayo-error, constituye un procedimiento que utilizamos, confrontando  las ideas que nos formamos con la realidad tal como la percibimos, en acciones percepciones y en la formación de modelos cognitivos, de ideas. Sucede así en el ser humano a lo largo de toda la vida, desde las primeras etapas de desarrollo, en la que los niños comienzan a conocer la realidad, el mundo que les rodea. Utilizan los sentidos, la experimentación y la representación de las ideas obtenidas de las experiencias, para aceptar o rechazar el conocimiento que la realidad les ofrece y para inducirlo. Ese mecanismo forma parte del desarrollo humano, pero también lo encontramos en los fundamentos de la ciencia. Así lo encontramos en multitud de ámbitos y dominios del saber y de la técnica. Constituye la base de las ideas de Popper (1934) que fundamentan el método científico. Lo encontramos igualmente como uno de los procedimientos que más frecuente utilizan los programadores, de forma espontánea y subyacente, en casi todas las fases de su trabajo. También constituye la esencia de la ayuda pedagógica que los maestros y tutores hacen a sus alumnos para guiarles en estos procesos de ensayo error y que no se pierdan o se distraigan por caminos inapropiados.

A Karl R. Popper se le considera el padre del método científico tal como se conoce en la actualidad, pero sobre todo es uno de los pensadores  contemporáneos más influyentes, cuyas teorías epistemológicas y sociopolíticas han ido más allá del estricto ámbito del método científico. Hasta él el método que utilizaba la ciencia era eminentemente deductivo. A partir de él todo cambia: La ciencia sigue siendo inductiva, pero su gran aportación ha sido que esta inducción ha avanzado a través del método hipotético-deductivo.

Así según Popper (1934), el método científico no usa un razonamiento inductivo, sino un razonamiento hipotético-deductivo (que simplificadamente se conoce como método de ensayo error o por aproximaciones sucesivas). Como en el caso del razonamiento inductivo, se pasa desde los datos que contrastan una hipótesis a una conclusión sobre ésta, es decir va de lo particular a lo general, en dirección inductiva. Sin embargo el método no es el de la inducción como razonamiento o inferencia. Sostiene que materialmente no es posible inducir o verificar todas las hipótesis o teorías (no es posible explorar todas las situaciones posibles para ver si la teoría se mantiene), ni siquiera hacerlo con las más probables. Además, los científicos en general buscan teorías altamente informativas.

La cuestión clave en la ciencia es qué criterio guía la búsqueda o el avance a través de las hipótesis que se eligen sucesivamente. En esta cuestión tiene bastante que decir  la creatividad y el pensamiento divergente, según vimos en otra ocasión.

En el aprendizaje, el mecanismo en esencia es el mismo. Pero en este caso es el papel que juega el tutor lo esencial, como veremos, sin despreciar los elementos naturales de motivación que el método que utilicemos en cada caso posee para el alumno. De esta forma el tutor ha de guiar de forma adecuada y sin ser invasivo el procedimiento para que el alumno tampoco desista, y este proceder es distinto en cada caso.

Pero volviendo a Popper y al método hipotético deductivo. Lo que se hace realmente en el proceso, en cada paso, es proponer una hipótesis como solución tentativa del problema particular, confrontar la predicción deducida, mediante la hipótesis, con la experiencia, y evaluar si la hipótesis se rechaza o no por los hechos (contraste de hipótesis). La cuestión es que con este método no verificamos las teorías, sólo las aceptamos cuando resisten el intento de rechazarlas. Por tanto, el  contraste radica en la crítica o, si estamos en ciencias sociales, en el intento serio de falsación, es decir, la eliminación de la parte del error dentro de una teoría, para rechazarla, si es falsa, y sustituirla por otra. Como hemos dicho el objetivo del método es la búsqueda de teorías verdaderas.

Este método (Popper, 1934), el actualmente aceptado como  método científico, utiliza sólo y de forma sistemática reglas metodológicas (no lógicas), para tomar decisiones. Reglas o principios metodológicos que tiene como base casi exclusivamente dos principios: La creatividad y la crítica. Hay que ser creativo y crítico. Hay que proponer hipótesis audaces y someterlas a tests experimentales  rigurosos. La lógica juega un papel fundamental como elemento que rige las decisiones y la elaboración de hipótesis que, mediante su contraste, confrontarán los hechos con las teorías convirtiéndolas en evidencias.

Una derivación de este método es el la acción educativa, particularmente en la tutoría. Y en él las ideas de contingencia e inmediatez. En este planteamiento juegan un papel clave las aproximaciones sucesivas a los objetivos educativos, es decir la acción tutorial.

Es importante la idea de contingencia: la sensación de que el problema puede ser resuelto o no en función del camino elegido.

De esta forma, en la tutoría, el cuándo y el dónde la ayuda pueden ser ofrecidas por el tutor es la clave. Ha de hacerse en los momentos pertinentes, es decir, de manera contingente. El tutor debe detectar, en el lugar y en el momento que se produzca, la dificultad de aquel aprendiz que comprenda insuficientemente el tema que es objeto de aprendizaje. De esta forma el tutor puede tener que intervenir con frecuencia para reparar el error y mostrar al alumno qué hacer.

 

Métodos colaborativos.- ¿Hacer cosas juntos o entender cosas juntos?

Expresiones como trabajo colaborativo o aprendizaje colaborativo son lugares comunes en la práctica de la enseñanza y en las teorías del aprendizaje. Tienen su origen remoto en los métodos socráticos, en el aprendizaje vicario y más recientemente en las teorías de Vygostky, en las del aprendizaje situado de Merrill y en el socioconstructivismo. Y han adquirido plena vigencia en los entornos conectados de aprendizaje. Si bien las aportaciones más fecundas en el mundo del aprendizaje con la ayuda de la tecnología se deben a David Jonassen, Mark Davidson, Mauri Collins, John Campbell, y  Brenda Bannan Haag (1995).

En el mundo computacional: La complejidad de desarrollos y arquitecturas hace inconcebible el trabajo aislado. Tienen que producirse fuertes flujos de trabajo y de comunicación que hagan posibles proyectos comunes en equipos amplios. De hecho se ha desarrollado una ética, casi una mística, conocida y popularizada por Pekka Himanen (2002) como la ética del hacker, basada en la emoción por compartir más que en el valor económico del trabajo propio de la ética de Weber, la ética protestante del trabajo.

En una buena parte esta disposición a compartir y al trabajo colaborativo constituye un elemento para la formación en valores del pensamiento computacional. Pero también implica un desafío, no todo el mundo de forma inicial acepta compartir, implica un compromiso e implica una técnica.

La definición más amplia pero igualmente imprecisa e insatisfactori, de “trabajo colaborativo” es la que da Dillenbourg (1999): Trabajo colaborativo es el que se produce en una situación en la que dos o más personas aprenden o intentan aprender algo juntos.

Es obvio que al menos hay tres imprecisiones en los elementos de esta definición, que se pueden interpretar de diferentes maneras:

“Dos o más” es ¿un par?, ¿un pequeño grupo (3-5 individuos)?, ¿una clase (20-30 sujetos)?, una comunidad (unos pocos cientos o miles de personas), ¿un MOOC?, ¿una sociedad (varios miles o millones de personas) … ¿cualquier nivel intermedio?. Esto da lugar a situaciones de aprendizaje completamente distintas, cada una de las cuales lleva aparejado un análisis que de forma no simple es muy diverso. Los entornos de los que estamos hablando y que permiten un trabajo fecundo son aquellos que permitan de forma eficiente a cada individuo procesar la información que genera el resto.

“Aprender algo” puede ser interpretado como “seguir un curso con provecho”, es decir cumpliendo los objetivos de aprendizaje previstos, o también se puede referir de forma laxa a aprender (en el sentido de comprender solo y memorizar de forma comprensiva) el “material del curso de estudio”, o bien “realizar actividades de aprendizaje tales como la resolución de problemas”, y en su caso óptimo que de ellas se desprenda conocimiento o elaboración, igualmente puede ser “aprender de la práctica del trabajo” que se realiza entre varios y en el que interviene la interacción.

Y en esto último es cuando interviene el último elemento de la definición: “juntos”. Que en cualquier caso implica y se debe interpretar como como una referencia a diferentes formas de interacción que, por la forma física de realizarse, origina distintos entornos y proceso cognitivos: Cara a cara, grupo o videogrupo (hangout), mediada por entornos de red, sociales (web social), sincrónicas o no, frecuentes en el tiempo o no, si se trata de un esfuerzo verdaderamente conjuntado y coordinado, si el trabajo se divide de una manera sistemática en un entorno colaborativo, híbrido y organizado con affordances a ese fin.

En resumen la cuestión no es tanto aprender técnicas para trabajar juntos como encontrar una cultura común, unas referencias y  unas experiencias que hagan que esa forma de trabajar fluya.

 

Patrones.-

Los patrones constituyen una herramienta para el análisis de la programación en dos aspectos: Evitan el trabajo tedioso que supone repetir partes de código o de diagramas de flujo o de procedimientos que en esencia se repiten pero aplicados a contextos y situaciones distintas, y por otro lado exige la capacidad de distinguir lo que tienen de común situaciones distintas. Esta facultad es útil en la programación pero igualmente en multitud de situaciones de la vida o de las actividades científica y profesionales, de hecho nacieron como tales en la arquitectura.

El concepto de patrón y su práctica se aplica, en la computación y en otros dominios, a estructuras de información que permiten resumir y comunicar la experiencia acumulada y la resolución de problemas, tanto en la práctica como en el diseño.

Así un patrón puede entenderse como una plantilla, una guía, un conjunto de directrices o de normas de diseño. Los patrones pueden entenderse desde dos perspectivas: La propia del dominio en el que estamos trabajando (la arquitectura, el diseño industrial, el diseño instruccional, etc.), o bien desde la perspectiva de los lenguajes y las técnicas computacionales que permiten el desarrollo de patrones.

 

Un patrón pues permite la adquisición de “buenas prácticas” y sirve como referencia para nuevas aplicaciones y casos. El almacenamiento y proceso sistemático de estos patrones permite construir corpus de información o bases de datos de referencias documentadas a las que los distintos profesionales o investigadores pueden dirigirse para sus trabajos específicos.

 

Los patrones tienen su origen en los patrones de diseño, o en lo patrones genéricos, y sirven  para aplicar en un campo cualquiera de la actividad de creación y de desarrollo, donde se quiere optimizar el trabajo intelectual haciendo más eficaz el trabajo empleado, o bien donde se quiere comunicar una parte operativa del diseño independientemente del dominio técnico del que se trate. Originalmente los patrones de diseño se deben al arquitecto Christopher Alexander (Alexander et al., 1977). Posteriormente estas técnicas se han adoptado en el campo de la ingeniería de software, y de allí se han incorporado al diseño instruccional tecnológico.

 

Un patrón (Alexander et al., 1977) “describe un problema que ocurre una y otra vez en nuestro entorno y, a continuación, describe el núcleo de la solución de ese problema, de tal manera que el usuario puede utilizar esta solución un millón de veces más, sin tener que hacerlo de la misma manera dos veces “.

Especial importancia merecen los los patrones instruccionales, aunque el término igualmente acuñado puede ser el de patrones pedagógicos (Pedagogical Patterns Project, 2008), porque sirven de comunicación en equipos pluridisciplinares en los que concurren técnicos en computación, diseñadores instruccionales y profesores.

Para desarrollar un patrón se utiliza un “lenguajes de patrón”. Su naturaleza y principales características están descritas como buena parte de este apartado en un artículo dedicado exclusivamete a patrones (Zapata-Ros, 2011), y sobre todo en lo que respoecta a patrones y Pensamiento computacional en otro capítulo de esta obra (Pérez-Paredes y Zapata-Ros, 2018a, b y c)

Un ejemplo notable de desarrollo de patrones y de lenguaje de patrones es el de las wikis. De las cuales la más conocida es Wikipedia. Las wikis constituyen el ejemplo más importante de construcciones utilizando lenguajes de patrón, y de hecho cada wiki se ha desarrollado utilizando un patrón concreto: El patrón de las wikis.

El origen de las wikis está en la comunidad de patrones de diseño Portland Pattern, cuyos integrantes, informáticos las utilizaron para escribir patrones de programa de ordenador. La primera wiki llamada WikiWikiWeb fue creada por Ward Cunningham, quien creó y dio nombre al concepto wiki, además implementó el primer servidor WikiWiki, y con él creó el primer servicio de este tipo, para el repositorio de patrones del Portland (Portland Pattern Repository) en 1995.

En el citado artículo (Zapata-Ros, 2011) reproducimos el método que utilizó Ward Cunningham para diseñar la Wiki original como un ejemplo concreto para expresar los lenguajes de patrón de forma efectiva (http://c2.com/cgi/wiki).

 

Sinéctica.-

La Sinéctica es un punto de confluencia de las teorías que tratan de explicar y estudian la creatividad, de las técnicas de trabajo en grupo como medio para exteriorizar flujos e impulsos que de otra forma no serían observables y por tanto analizados, mejorados y compartidos, y los procesos de sistematización y racionalización de esos flujos e impulsos.

Como consecuencia de esta naturaleza y de estos procesos, la Sinéctica también puede considerarse como una teoría para la resolución de problemas.

Así (Gordon,1961) “la Teoría Sinéctica estudia cómo organizar la integración de los diversos individuos que componen  un grupo para la resolución de problemas. Es pues una teoría operacional que orientada al uso consciente de los mecanismos psicológicos preconscientes que hay presentes en la actividad creadora humana.”

Situationa l Methods of I nstructionReigeluth (2012) considera la Sinéctica dentro de los Métodos Situados de Instrucción.

Una de las posibles dimensiones que puede considerarse al estudiar lPrinciples and methods of instruction can be described on many levels of precision ( Reigeluth & Carr-Chellman, 2009b ) .os principios y los métodos de enseñanza, dice, son los diversos niveles de precisión (Reigeluth y Carr Chellman, 2009b).For example, on the least precise level, Merrill state s that i nstr uction should provide coaching. Por ejemplo, en el nivel menos preciso, Merrill (2009) indica que la instrucción debe provenir del entrenamiento. On a highly precise level, one could state, “when teaching a procedure, if a learner skips a step during a performance of the procedure, the learner should be reminded of the step by asking the lear ner a question that prompts the learner to recognize the omission. ” When we provide more precision in a principle or method of instruction, we usually find that it needs to be different for different situations. En el extremo opuesto, en un nivel de alta precisión, siguiendo con los ejemplos, “al enseñar un procedimiento, si un alumno se salta un paso durante la ejecución del procedimiento, se debe inducir al alumno hacia la identificación del paso omitido mediante preguntas que lo guíen hasta llegar al reconocimiento de la omisión”. De esta manera cuando proporcionamos mayor precisión sobre un principio o sobre un método instruccional, por lo general descubrimos que hace falta que éste sea diferente para diferentes situaciones. Reigeluth ( 1999a ) referred to the contextual factors that influence the effects of methods as “situationalities.” Reigeluth (1999a) se refirió a los factores contextuales que influyen en los efectos de los métodos como “escenarios”. En definitiva se trata de métodos situados.

Reigeluth and Carr-Chellman Reigeluth y Carr-Chellman ( 2009a ) propose that there are two major types of situationalities that call for fundamentally different sets of methods: (2009a) proponen dos principales tipos de escenarios que requieren conjuntos fundamentalmente diferentes de métodos: 1.Situationalities based on different approaches to instruction (means) , Escenarios basados ​​en distintos enfoques de la enseñanza (medios), such as: y eSituationalities based on dif ferent learning outcomes (ends), such as:escenarios basados ​​en diferentes resultados de aprendizaje (fines). Entre los primeros incluye, entre otros, al 1.1.juego de rol  (role-playing), resolución de conflictos, 1.7.Peer learning aprendizaje entre iguales, 1.9. Problem-based learning aprendizaje basado en problemas,  Simulation-based learning aprendizaje por simulación, y también a la Synectics sinéctica

Los capítulosUnits 2 and 3 in Reigeluth and Carr-Chellman’s ( 2009c ) en las Unidades de 2 y 3 del libro de Reigeluth y Carr-Chellman (2009c) “Green Book 3” ( Instructional-Design Theories and Models, Vol. III: Building a Common Knowledge Base ) describe the “common kno wledge base” for nine of those sets of methods. Teorías y Modelos de Diseño  Instruccional, (Volumen III: Construyendo una base de conocimientos en común) describen una “base de conocimientos” para esos conjuntos de métodos.

La Teorías Sinécticas tiene su fuente empírica en las historias de casos que ilustran el uso de mecanismos operativos, que de esta forma se llaman mecanismos sinécticos, y en cómo operan estos en los procedimientos, que se estudian detalladamente, para la organización y funcionamiento de los grupos, llamados grupos sinécticos, fundamentalmente  en contextos industriales. En estos procesos se hace especial énfasis en el papel que juega en la actividad creativa la metáfora y en su análisis.

La sinéctica se ha presentado por sus creadores, y así se ha aceptado, como una metodología de resolución de problemas que estimula los procesos de pensamiento de los cuales el sujeto puede no ser consciente.

Este método fue desarrollado por George M. Prince (5 abril 1918 a 9 junio 2009) y William JJ Gordon , originarios de la Arthur D. Little Unidad Invención Diseño en la década de 1950.

Inicialmente el método consistió en grabar en audio y en vídeo reuniones en las que se hablaba sobre experimentos, su desarrollo y el análisis de los resultados, haciendo interpretaciones de ellos. Después el método se completaba con el análisis de las grabaciones. Se discutía sobre formas alternativas de resolución del problema y se procuraba llegar a soluciones de compromiso sobre lo que se consensuaba como una solución creativa.

Como teoría la Sinéctica nos ofrece procedimientos para utilizar las habilidades creativas, en la resolución de problemas, de una manera racional. De esta forma (Gordon, 1961)  “(…), tradicionalmente, el proceso creativo ha sido considerado después de los hechos. Los estudios sinécticos han intentado investigar el proceso creativo en vivo, mientras que está pasando.”

 

Metacognición.-

En las tareas de codificación los aspectos procedimentales en cómo afrontar un problema y cómo resolverlo por los alumnos adquieren una importancia clave.

Cuando las teorías del aprendizaje incorporan el concepto de estrategias se ve resaltado el carácter procedimental que tiene todo aprendizaje (Esteban y Zapata-Ros, 2008). Con ello además se está aceptado que  los procedimientos utilizados para aprender constituyen una parte muy decisiva del propio aprendizaje y del  resultado final de ese proceso. El concepto de estrategia de aprendizaje es, pues, un concepto que se integra adecuadamente con los principios de la psicología cognitiva, desde la perspectiva constructivista del conocimiento y del aprendizaje. Lo hace además con la importancia atribuida a los elementos procedimentales en el proceso de construcción de conocimientos y, asimismo, teniendo en cuenta aspectos diferenciales de los individuos.

Conviene pues destacar en primer lugar esta visión del aprendizaje de las habilidades propias del pensamiento computacional.

El concepto de estrategia implica una connotación finalista e intencional. Toda estrategia conlleva, de hecho es, un plan de acción para realizar  una tarea que requiera una actividad cognitiva en el aprendizaje. No se trata, por tanto, de la aplicación de una técnica concreta, por ejemplo de aplicar un método de lectura o un algoritmo. Se trata de un plan de actuación que implica habilidades y destrezas –que el individuo ha de poseer previamente- y de una serie de técnicas que se aplican en función de las tareas a desarrollar, sobre las que el alumno decide y sobre las que tiene una intención de utilizar consciente. Por tanto  lo más importante de esta consideración es que para que haya intencionalidad ha de existir conciencia de:

  1. a)la situaciónsobre la que se ha de operar (problema a resolver, datos a analizar, conceptos a relacionar, información a retener, etc.). Esta consciencia y esta intencionalidad presupone, como cuestión clave, la representación de la tarea que se realiza, sobre la que el aprendiz toma la decisión de qué estrategias va a aplicar; y
  2. b)de los propios recursoscon que el aprendiz cuenta, es decir, de sus habilidades, capacidades, destrezas, recursos y de la capacidad de generar otros nuevos o mediante la asociación o reestructuración de otros preexistentes.

En todo esto ha de existir la conciencia de los propios recursos cognitivos con que cuenta el aprendiz. Eso es lo que se ha denominado metacognición.

Así pues no es sólo una estrategia o un conjunto de estrategias. Es la condición necesaria para que pueda darse cualquier plan estratégico. Lo contrario serían simplemente algoritmos o incluso estrategias pero donde, al no haber intencionalidad, no habría la valoración  que conlleva la adopción de un plan con previa deliberación de la situación y de los recursos.

La metacognición y el estudio de los estilos de aprendizaje son dos cosas que van íntimamente ligadas.

Si los alumnos son conscientes, primero, de las limitaciones que tienen en su forma de aprender y, segundo, de la necesidad del cambio de los  procedimientos que utilizan para aprender, o de consolidarlos y potenciarlos, y por último de sus propias capacidades para llevar de forma autónoma ese cambio o de la necesidad de adquirirlas (capacidades metacognitivas) estaríamos en presencia de la cuestión clave para abordar el resto de competencias del pensamiento computacional para la mayor parte de los alumnos.

El argumento para señalar la importancia de la metacognición, su papel clave, en palabras de David Merrill (2000) es que la mayoría de los estudiantes no son conscientes de sus estilos de aprendizaje y si se deja a sus propios medios, no es probable que empiecen a aprender de nuevas maneras. Por lo tanto, el conocimiento de los estilos de aprendizaje de uno mismo puede ser utilizado para aumentar la auto-conciencia acerca de las fortalezas y debilidades como aprendices que cada uno tiene y por consiguiente para mejorar en el aprendizaje.

Si bien todas las ventajas que se atribuyen a la metacognición (ser consciente de los propios procesos de pensamiento y aprendizaje) pueden ser adquiridas alentando a los estudiantes a adquirir conocimientos acerca de su propio aprendizaje y el de los demás (Coffield, et. Al., 2004), lo importante es estudiar e investigar cómo los alumnos pueden adquirir este conocimientos, formar en habilidades cognitivas.

En el caso del pensamiento computacional la cuestión es cómo los estudiantes pueden adquirir las habilidades metacognitivas específicas, cuáles son las mejores estrategias y cómo pueden detectar cuales son las debilidades y las fortalezas de sus propios estilos y cambiarlas o potenciarlas.

Establecer en qué medida es posible formar en estas habilidades y cómo llevar a cabo este meta-aprendizaje.

 

Cinestesia

La cinestesia es la rama de la ciencia que estudia el movimiento humano. Hay aspectos cognitivos y representativos: Es un saber que trata cómo se percibe el esquema corporal, el equilibrio, el espacio y el tiempo. También es una habilidad.

Hay una lógica sensorial que nace de la “sensación o percepción del movimiento, del espacio, del tiempo y de la propia posición”.  Así nace el concepto de velocidad instantánea, y constructos como son la derivada y la diferencial en matemáticas. La tortuga de Logo vincula esta lógica con el aprendizaje de la geometría (Solomon y Paper, 1976).

En el Seminario Smart University 4.0, en la edición de 2015, organizado  por la Universidad Internacional Menéndez Pelayo (UIPM) tuve el privilegio de coincidir con Theresa Zabell, bimedallísta  olímpica española en vela, que,  cuando le hablé del pensamiento computacional y le conté mis dudas sobre incluir la cinestesia, me convenció contándome una experiencia. Theresa es además informática. Su opinión es pues autorizada.

La deportista, en la competencia y en los entrenamientos, se colocaba una cinta en la cabeza que le sujetaba el cabello, dejándole el rostro muy despejado. Incluso era muy meticulosa en esta tarea. No dejaba que ningún mechoncillo o cabello se escapase de esa sujeción. Todo el mundo se preguntaba el porqué de aquello que muchos consideraban una manía.

La razón era que quería percibir con toda precisión la dirección e intensidad el viento, y mediante un mecanismo de coordinación sensorio motriz, e imagino que con alguna mediación cognitiva previa y automatizada pero muy interactiva, y en función de esa percepción utilizar el timón orientando el rumbo del barco para aprovechar al máximo la fuerza del viento.

Esta habilidad como ponen de relieve los creadores de LOGO, tiene especial importancia a la hora de percibir ciertas propiedades en geometría y robótica, que intervienen en aspectos de programación de estas áreas.

Así pues con la sinéctica  concluimos la propuesta de los quince elementos/ componentes del pensamiento computacional reseñados en la fig. 2

Queda por desarrollar pormenorizadamente los contenidos en un corpus útil a las distintas modalidades y niveles de formación, así como para la formación de maestros y profesores que los impartan.

[1] La descripción que presentamos está obtenida, salvo giros y adaptaciones al formato de paper, del post Enseñanza Universitaria en línea: MOOC, aprendizaje divergente y creatividad (II) (Zapata-Ros, 2014a))

[2] Esta descripción está prácticamente trascrita adaptada del post de RED-Hypotheses Enseñanza Universitaria en línea: MOOC, aprendizaje divergente y creatividad (III) (Zapata-Ros, 2014b)

Referencias.-

Alexander, C., Ishikawa, S., Silverstein, M., Jacobson, M., Fiksdahl-King, I., & Angel, S. (1977). A Pattern Language: Towns, Buildings, Construction (Center for Environmental Structure).

Alexander et al., 1977, A Pattern Language, Oxford University Press, px.

Ausubel, D. P. (1963). The psychology of meaningful verbal learning; an introduction to school learning. New York: Grune & Stratton.

ANDERSON, J.A. (1993) Rules of the Mind (Hillsdale, NJ, Erlbaum).

Arraki, K., Blair, K., Bürgert, T., Greenling, J., Haebe, J., Lee, G., Peel, A., Szczepanski, V., Pontelli, E. and Hug, S. (2014, October). DISSECT: An experiment in infusing computational thinking in K-12 science curricula. In Frontiers in Education Conference (FIE), 2014 IEEE (pp. 1-9). IEEE.

Baker, M., Hansen, T., Joiner, R., & Traum, D. (1999). The role of grounding in collaborative learning tasks. In P. Dillenbourg (Ed.), Collaborative Learning: Cognitive and Computational Approaches. (pp. 31-63; 223-225). Elsevier Science.http://www.uio.no/studier/emner/matnat/ifi/TOOL5100/v08/leseliste/F9/baker99role.pdf

Balanskat, A.  & Engelhardt , K. (October, 2014). Computing our future Computer programming and coding – Priorities, school curricula and initiatives across Europe.  European Schoolnet (EUN Partnership AISBL) http://www.eun.org/c/document_library/get_file?uuid=521cb928-6ec4-4a86-b522-9d8fd5cf60ce&groupId=43887

Balanskat, A.  & Engelhardt , K. (October, 2015). Computing our future Computer programming and coding – Priorities, school curricula and initiatives across Europe.  European Schoolnet (EUN Partnership AISBL)

Bargury, I. Z., Muller, O., Haberman, B., Zohar, D., Cohen, A., Levy, D., & Hotoveli, R. (2012, October). Implementing a new computer science curriculum for middle school in Israel. In Frontiers in Education Conference (FIE), 2012 (pp. 1-6). IEEE. http://ieeexplore.ieee.org/abstract/document/6462365/   y   https://www.researchgate.net/profile/Dalit_Levy/publication/261196400_Implementing_a_new_Computer_Science_Curriculum_for_middle_school_in_Israel/links/5605989108ae8e08c08c9079/Implementing-a-new-Computer-Science-Curriculum-for-middle-school-in-Israel.pdf en abierto.

Bawden, D. (2001). Information and digital literacies: a review of concepts. Journal of Documentation, 57(2), 218–259.

Bawden, D. (2008). Origins and concepts of digital literacy. Digital literacies: Concepts, policies and practices, 17-32. http://sites.google.com/site/colinlankshear/DigitalLiteracies.pdf#page=19

Bell, T., Alexander, J., Freeman, I., & Grimley, M. (2009). Computer science unplugged: School students doing real computing without computers. The New Zealand Journal of Applied Computing and Information Technology13(1), 20-29. http://www.computingunplugged.org/sites/default/files/papers/Unplugged-JACIT2009submit.pdf

Bell, T., Andreae, P., & Robins, A. (2014). A case study of the introduction of computer science in NZ schools. ACM Transactions on Computing Education (TOCE)14(2), 10. https://ir.canterbury.ac.nz/bitstream/handle/10092/10570/12652431_NZ-case-study-TOCE-v5.pdf?sequence=1  y  https://dl.acm.org/citation.cfm?id=2602485

Bergin, J. (2008) Pedagogical Patterns Project [en línea]. Disponible en: http://www.pedagogicalpatterns.org/

Blikstein,  (2013). Seymour Papert’s Legacy: Thinking About Learning, and Learning About Thinking. https://tltl.stanford.edu/content/seymour-papert-s-legacy-thinking-about-learning-and-learning-about-thinking

Bono, E. D. (1968). New think: the use of lateral thinking in the generation of new ideas. Basic Books.

Bono, E. D. (1970). Lateral Thinking. A Textbook of Creativity. Londres: Ward Lock Educational.

Bono, E. DE (1986):El pensamiento lateral: manual de creatividad. Editorial Paidós.

Bloom, B.S. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as ffective as One-to-One Tutoring, Educational Researcher, 13:6 (4-16). http://www.comp.dit.ie/dgordon/Courses/ILT/ILT0004/TheTwoSigmaProblem.pdf

Bocconi, S. et al (2016). Developing Computational Thinking in Compulsory Education. Implications for policy and practice.   http://publications.jrc.ec.europa.eu/repository/bitstream/JRC104188/jrc104188_computhinkreport.pdf

Burgett, T., Folk, R., Fulton, J., Peel, A., Pontelli, E. and Szczepanski, V. (2015, October). DISSECT: Analysis of pedagogical techniques to integrate computational thinking into K-12 curricula. In Frontiers in Education Conference (FIE), 2015. 32614 2015. IEEE (pp. 1-9). IEEE.

Carvalho, T., Andrade, D., Silveira, J., Auler, V., Cavalheiro, S., Aguiar, M., Foss, L., Pernas, A. and Reiser, R., 2013, October. Discussing the challenges related to deployment of computational thinking in brazilian basic education. In Theoretical Computer Science (WEIT), 2013 2nd Workshop-School on (pp. 111-115). IEEE. https://www.researchgate.net/profile/Marilton_Aguiar/publication/268240422_Discussing_the_Challenges_Related_to_Deployment_of_Computational_Thinking_in_Brazilian_Basic_Education/links/54abd8080cf2bce6aa1dbf62.pdf y http://ieeexplore.ieee.org/abstract/document/6778575/

Caspersen, M. E., & Nowack, P. (2013, January). Computational thinking and practice: A generic approach to computing in Danish high schools. In Proceedings of the Fifteenth Australasian Computing Education Conference-Volume 136 (pp. 137-143). Australian Computer Society, Inc. https://dl.acm.org/citation.cfm?id=2667214 y en abierto http://cs.au.dk/~mic/publications/conference/41–ace2013.pdf

Chiprianov, V., & Gallon, L. (2016, July). Introducing Computational Thinking to K-5 in a French Context. In Proceedings of the 2016 ACM Conference on Innovation and Technology in Computer Science Education (pp. 112-117). ACM. https://dl.acm.org/citation.cfm?id=2899439

Clark, D. (2014) Learning Styles & Preferences. http://www.nwlink.com/~donclark/hrd/styles.html

Coffield, F., Moseley, D., Hall, E., Ecclestone, K. (2004). Learning Styles and Pedagogy in Post-16 Learning: A systematic and critical review. www.LSRC.ac.uk: Learning and Skills Research Centre. Retrieved from: http://www.lsda.org.uk/files/PDF/1543.pdf

Constantinidou, F., Baker, S. (2002). Stimulus modality and verbal learning performance in normal aging. Brain and Language, 82(3), 296-311.

Corballis, M. C. (2007). Pensamiento recursivo. Mente y cerebro, 27, 78-87. http://amscimag.sigmaxi.org/4Lane/ForeignPDF/2007-05CorballisSpanish.pdf

Corballis, M. C. (2014). The recursive mind: The origins of human language, thought, and civilization. Princeton University Press. http://press.princeton.edu/titles/9424.html

Csikszentmihalyi, M. (1996). Creativity: Flow and the psychology of discovery and invention.

Csikszentmihalyi, M. (2009). Creativity: Flow and the Psychology of Discovery and invengtion. Harper Collins.

Csikszentmihalyi, M. (1998). Creatividad: el fluir y la psicología del descubrimiento y la invención. Ed. Paidós.

DeLano, D.E. y  Rising, L. (1997).  Introducing Technology into the Workplace. Proceedings  PLoP’97 Conference. Consultado en http://hillside.net/plop/plop97/Proceedings/delano.pdf

Dillenbourg, P. (1999). What do you mean by collaborative learning?.Collaborative-learning: Cognitive and Computational Approaches., 1-19. https://halshs.archives-ouvertes.fr/file/index/docid/190240/filename/Dillenbourg-Pierre-1999.pdf

Dorn, R. I. (December, 2016) Computer Science K–12 Learning Standards Adoption Statement. http://www.k12.wa.us/ComputerScience/pubdocs/ComputerScienceStandards.pdf

Duncan, C., & Bell, T. (2015, November). A pilot computer science and programming course for primary school students. In Proceedings of the Workshop in Primary and Secondary Computing Education (pp. 39-48). ACM. https://dl.acm.org/citation.cfm?id=2818328

Eggleston, J. (1982). Sociología del currículum. Ed. Troquel. Buenos Aires.

Esteban, M. y Zapata, M. (2008, Enero). Estrategias de aprendizaje y eLearning. Un apunte para la fundamentación del diseño educativo en los entornos virtuales de aprendizaje. Consideraciones para la reflexión y el debate. Introducción al estudio de las es trategias y estilos de aprendizaje. RED. Revista de Educación a Distancia, número 19. Consultado (día/mes/año) en http://www.um.es/ead/red/19

Eshet, Y. (2002). Digital literacy: A new terminology framework and its application to the design of meaningful technology-based learning environments, In P. Barker and S. Rebelsky (Eds.), Proceedings of the World Conference on Educational Multimedia, Hypermedia and Telecomunications, 493–498 Chesapeake VA: AACE, Retrieved November 30, 2007, from http://infosoc.haifa.ac.il/DigitalLiteracyEshet.doc

Eshet-Alkalai, Y. (2004), Digital literacy: a conceptual framework for survival skills in the digital era, Journal of Educational Multimedia and Hypermedia, 139(1), 93–106. Available at: http://www.openu.ac.il/Personal_sites/download/Digital-literacy2004-JEMH.pdf

Fitch, T., Hauser, M. & Chomsky, N.  2005.  The evolution of the language faculty:      Clarifications and implications.   Cognition. 97.179-210

Fricke, A. y Voelter, M. (2000). SEMINARS: A Pedagogical Pattern Language about teaching seminars, [en línea]. Proceding EuroPLoP 2000. Disponible en: http://www.voelter.de/publications/seminars.html [2008, 2 diciembre].

Gilster, P. (1997). Digital literacy. New York: Wiley.

Gordon, W. J. (1961). Synectics: The development of creative capacity.

Grover, S., Cooper, S., & Pea, R. (2014, June). Assessing computational learning in K-12. In Proceedings of the 2014 conference on Innovation & technology in computer science education (pp. 57-62). ACM. https://s3.amazonaws.com/academia.edu.documents/41163349/Assessing_computational_learning_in_K-1220160114-23479-hj8516.pdf

Grover, S., Pea, R., & Cooper, S. (2016, February). Factors influencing computer science learning in middle school. In Proceedings of the 47th ACM technical symposium on computing science education (pp. 552-557). ACM.  http://life-slc.org/docs/LSLC_rp_A211_Grover-Pea-Cooper-SIGSCE2016.pdf

Grover, S., Pea, R., & Cooper, S. (2015). Designing for deeper learning in a blended computer science course for middle school students. Computer Science Education25(2), 199-237. http://www.tandfonline.com/doi/abs/10.1080/08993408.2015.1033142 y https://pdfs.semanticscholar.org/4f37/83f96f0c4aa579d5eea160ff56c15f5e7c85.pdf

Hauser, M., Chomsky, N.,  & Fitch, T.  2002.  The faculty of language: what is it, who has it, and how did it evolve. Science 198. 1569-79

Hackenberg, A. J. (2007). Units coordination and the construction of improper fractions: A revision of the splitting hypothesis. Journal of Mathematical Behavior, 26(1), 27–47.

Hansen, T., Dirckinck-Holmfeld, L., Lewis, R., & Rugelj, J. (1999). Using telematics to support collaborative knowledge construction. Collaborative learning: Cognitive and computational approaches, 169-196.http://www.researchgate.net/publication/228559912_Using_telematics_to_support_collaborative_knowledge_construction/file/60b7d523962ffc2db3.pdf

Hayman-Abello SE, Warriner EM (2002). (2002). Child clinical/pediatric neuropsychology: some recent advances. Annual review of psychology,53(1), 309-339.

Himanen, P. (2002). La ética del hacker y el espíritu de la era de la información.http://eprints.rclis.org/12851/

Jenkins, J.T., Jerkins, J.A. and Stenger, C.L. (2012), March. A plan for immediate immersion of computational thinking into the high school math classroom through a partnership with the alabama math, science, and technology initiative. In Proceedings of the 50th Annual Southeast Regional Conference (pp. 148-152). ACM.

Jonassen, D., Davidson, M., Collins, M., Campbell, J., & Haag, B. B. (1995). Constructivism and computer‐mediated communication in distance education.American journal of distance education9(2), 7-26. http://www.tandfonline.com/doi/abs/10.1080/08923649509526885

Jovanov, M., Stankov, E., Mihova, M., Ristov, S., & Gusev, M. (2016, April). Computing as a new compulsory subject in the Macedonian primary schools curriculum. In Global Engineering Education Conference (EDUCON), 2016 IEEE (pp. 680-685). IEEE. http://ieeexplore.ieee.org/abstract/document/7474623/

Keefe, J.W. (1979) Learning style: An overview. NASSP’s Student learning styles: Diagnosing and proscribing programs (pp. 1-17). Reston, VA. National Association of Secondary School Principles..

Koch, T., & Denike, K. (2009). Crediting his critics’ concerns: Remaking John Snow’s map of Broad Street cholera, 1854. Social science & medicine69(8), 1246-1251.http://www.albany.edu/faculty/fboscoe/papers/koch2009.pdf

Lanham, R.A. (1995). Digital literacy, Scientifi c American, 273(3), 160–161.

Lankshear, C. and Knobel, M. (2006). Digital literacies: policy, pedagogy and research considerations for education. Digital Kompetanse: Nordic Journal of Digital Literacy, 1(1), 12–24.

Leeder, D., Boyle, T., Morales, R., Wharrad, H., & Garrud, P. (2004). To boldly GLO-towards the next generation of Learning Objects. In World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education (Vol. 2004, No. 1, pp. 28-33).

Liu, J., Hasson, E. P., Barnett, Z. D., & Zhang, P. (2011, October). A survey on computer science K-12 outreach: teacher training programs. In Frontiers in Education Conference (FIE), 2011 (pp. T4F-1). IEEE. http://ieeexplore.ieee.org/abstract/document/6143111/

Lockwood, J., & Mooney, A. (2017). Computational Thinking in Education: Where does it Fit? A systematic literary review. arXiv preprint arXiv:1703.07659.

Mack, N. K. (2001). Building on informal knowledge through instruction in a complex content domain: Partitioning, units, and understanding multiplication of fractions. Journal for Research in Mathematics Education, 32(3), 267–296.

Mandelbrot, B. (1982). The fractal geometry of nature. W. H. Freeman.

Mandelbrot, B. (1977). Fractals, form, chance and dimension. W. H. Freeman.

Marzano, R.J. (1998). A theory-based meta-analysis of research on instruction. Mid-continent Regional Educational Laboratory, Aurora, CO.

Merrill, D. (2000). Instructional Strategies and Learning Styles: Which takes Precedence? Trends and Issues in Instructional Technology, R. Reiser and J. Dempsey (Eds.). Prentice Hall.

Merrill, M. D. (2009). First principles of instruction. In C. M. Reigeluth & A. A. Carr-Chellman (Eds.), Instructional-design theories and models: Building a common knowledge base (Vol. III, pp. 41-56). New York: Routledge.

Mensing, K., Mak, J., Bird, M., & Billings, J. (2013, October). Computational, model thinking and computer coding for US Common Core Standards with 6 to 12 year old students. In Emerging eLearning Technologies and Applications (ICETA), 2013 IEEE 11th International Conference on (pp. 17-22). IEEE.

Miller, R. B., Kelly, G. N., & Kelly, J. T. (1988). Effects of Logo computer programming experience on problem solving and spatial relations ability. Contemporary Educational Psychology13(4), 348-357. http://www.sciencedirect.com/science/article/pii/0361476X88900343

MONTESSORI, M. (1928). Antropología Pedagógica. Barcelona: Araluce

MONTESSORI, M. (1937). Método de la Pedagogía Científica. Barcelona: Araluce

MONTESSORI, M. (1935). Manual práctico del método. Barcelona: Araluce

Mooney, A., Duffin, J., Naughton, T., Monahan, R., Power, J. and Maguire, P. (2014). PACT: An initiative to introduce computational thinking to second-level education in Ireland.

Nesiba, N., Pontelli, E. and Staley, T., (2015, October). DISSECT: Exploring the relationship between computational thinking and English literature in K-12 curricula. In Frontiers in Education Conference (FIE), 2015. 32614 2015. IEEE (pp. 1- 8). IEEE.

Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books, Inc. http://www.arvindguptatoys.com/arvindgupta/mindstorms.pdf

Pérez-Paredes, P. y  Zapata-Ros, M. (2018a).  Patrones de Pensamiento Computacional y corpus lingüísticos: el aprendizaje de lenguas con datos lingüísticos (Preprint). http://eprints.rclis.org/32209/

Pérez-Paredes, P. y  Zapata-Ros, M. (2018b).  Patrones de Pensamiento Computacional y corpus lingüísticos: el aprendizaje de lenguas con datos lingüísticos (I).  RED de Hypotheses.  https://red.hypotheses.org/1025

Pérez-Paredes, P. y  Zapata-Ros, M. (2018c).  Patrones de Pensamiento Computacional y corpus lingüísticos: el aprendizaje de lenguas con datos lingüísticos (y II).  RED de Hypotheses. https://red.hypotheses.org/1045

Piaget, J. (1947). La psychologie de l’intelligence [The psychology of intelligence]. http://dx.doi.org/10.4324/9780203278895

Piaget, J. (1972). Psicología de la inteligencia. Editorial Psique. Buenos Aires.

Piaget, J. (1977). The role of action in the development of thinking. In Knowledge and development (pp. 17-42). Springer US.

Pólya, George (1945). How to Solve It. Princeton University Press.

Pólya, G. (1989). Como plantear y resolver problemas Ed. Trillas. (Primera edición 1965)

Popper, Karl (1934).«The Logic of Scientific Discovery». Consultado el 08-09-2007. http://books.google.es/books?hl=es&lr=&id=LWSBAgAAQBAJ&oi=fnd&pg=PP1&dq=popper+scientific+methods

Popper, Karl (1934). La lógica de la investigación científica. Traducido por Víctor Sánchez de Zavala (1ª edición). Madrid: Editorial Tecnos (publicado el 1962). ISBN 84-309-0711-4..

Popper, Karl (1934). The Logic of Scientific Discovery. New York: Routledge (publicado el 2009).

Olive, J., & Vomvoridi, E. (2006). Making sense of instruction on fractions when a student lacks necessary fractional schemes: The case of Tim. Journal of Mathematical Behavior 25(1), 18–45.

Raja, T. (2014). We can code it!. http://www.motherjones.com/media/2014/06/computer-science-programming-code-diversity-sexism-education.

Reigeluth, C. M. (2012). Instructional theory and technology for the new paradigm of education. RED, Revista de Educación a distancia32, 1-18. http://www.um.es/ead/red/32/reigeluth.pdf.

Reigeluth, C. M., & Carr-Chellman, A. A. (2009a). Situational principles of instruction. In C. M. Reigeluth & A. A. Carr-Chellman (Eds.), Instructional-design theories and models: Building a common knowledge base (Vol. III, pp. 57-68). New York: Routledge.

Ribeiro, L., Nunes, D.J., Da Cruz, M.K. and Matos, E.D.S., 2013, October. Computational Thinking: Possibilities and Challenges. In Theoretical Computer Science (WEIT), 2013 2nd Workshop-School on (pp. 22-25). IEEE.  http://ieeexplore.ieee.org/abstract/document/6778560/ y http://www.computacional.com.br/arquivos/Gerais/RIBEIRO%20-%20Computational%20Thinking%20-%20Possibilities%20and%20Challenges.pdf

Rosas, M. J. M. (2012). Recensión de “The recursive mind. The origins of human language, thought, and civilization”, de Michael C. Corballis. Teorema: Revista internacional de filosofía, 31(1), 151-154. http://dialnet.unirioja.es/descarga/articulo/4349918.pdf

Salomon, G. (1993). Distributed cognitions. Psychological and educational considerations (pp. 111-138) Cambridge, USA: Cambridge University Press.

Sentance, S., Dorling, M., & McNicol, A. (2013, February). Computer science in secondary schools in the UK: Ways to empower teachers. In International Conference on Informatics in Schools: Situation, Evolution, and Perspectives (pp. 15-30). Springer, Berlin, Heidelberg. https://pdfs.semanticscholar.org/44b0/074bd6fc438a459638f029667ff1ff79d9dd.pdf en abierto y https://link.springer.com/chapter/10.1007/978-3-642-36617-8_2

Siemens, G. (December 12, 2004). Connectivism: A Learning Theory for the Digital AgeConsultado el 18/8/2011 en http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.87.3793&rep=rep1&type=pdf el 30/08/2012

Silva, R. (2014). START CODING THIS YEAR IT’S EASIER THAN YOU THINK. http://yearofcode.org/

Steffe, L. P., & Olive, J. (2010). Children’s fractional knowledge. Springer: New York.

Steffe, L. P. (2004). On the construction of learning trajectories of children: The case of commensurate fractions. Mathematical Thinking and Learning, 6(2), 129–162

Steffen, J. H. (2008). Optimal boarding method for airline passengers. Journal of Air Transport Management14(3), 146-150. http://www.sciencedirect.com/science/article/pii/S0969699708000239

Stewart, K.L., Felicetti, L.A. (1992). Learning styles of marketing majors. Educational Research Quarterly, 15(2), 15-23.

Sysło, M. M., & Kwiatkowska, A. B. (2015, September). Introducing a new computer science curriculum for all school levels in Poland. In International Conference on Informatics in Schools: Situation, Evolution, and Perspectives (pp. 141-154). Springer, Cham. https://link.springer.com/chapter/10.1007/978-3-319-25396-1_13

Thompson, D., & Bell, T. (2013, November). Adoption of new computer science high school standards by New Zealand teachers. In Proceedings of the 8th Workshop in Primary and Secondary Computing Education (pp. 87-90). ACM. https://itp.nz/files/wipsce-teachers-2013.pdf y https://dl.acm.org/citation.cfm?id=2532759

Thompson-Schill, S., Kraemer, D., Rosenberg, L. (2009). Visual Learners Convert Words To Pictures In The Brain And Vice Versa, Says Psychology Study. University of Pennsylvania. News article retrieved from http://www.upenn.edu/pennnews/news/visual-learners-convert-words-pictures-brain-and-vice-versa-says-penn-psychology-study

Valverde-Berrocoso, J., Fernández-Sánchez, M.R., Garrido-Arroyo, M.C. (2015). El pensamiento computacional y las nuevas ecologías del aprendizaje. RED, Revista de Educación a Distancia. Número 46. Número monográfico sobre «Pensamiento Computacional». Septiembre de 2015. Consultado el (dd/mm/aa) en http://www.um.es/ead/red/46

Washington, US Congress of Technology Assessment, OTA CIT-235 (April 1984). Computerized Manufacturing Automation: Employment, Education and the Workplace, page 234. http://ota-cdn.fas.org/reports/8408.pdf

Werner, L., Denner, J., Campe, S., & Kawamoto, D. C. (2012, February). The fairy performance assessment: measuring computational thinking in middle school. In Proceedings of the 43rd ACM technical symposium on Computer Science Education(pp. 215-220). ACM. https://www.cs.auckland.ac.nz/courses/compsci747s2c/lectures/wernerFairyComputationalThinkingAssessment.pdf   y   https://dl.acm.org/citation.cfm?id=2157200

Wilkins, J. L. M., & Norton, A. (2011). The splitting loope. Journal for Research in Mathematics Education, 42(4), 386–416

Wilkins, J. L., Norton, A., & Boyce, S. J. (2013). Validating a Written Instrument for Assessing Students’ Fractions Schemes and Operations. Mathematics Educator, 22(2), 31-54.

Wing, J.M. (March 2006). Computational Thinking. It represents a universally applicable attitude and skill set everyone, not just computer scientists, would be eager to learn and use. COMMUNICATIONS OF THE ACM /Vol. 49, No. 3. https://www.cs.cmu.edu/~15110-s13/Wing06-ct.pdf

Wood, D., & Wood, H. (1996). Vygotsky, tutoring and learning. Oxford review of Education, 22(1), 5-16. http://www.jstor.org/stable/1050800

Wood, D., & Wood, H. (1996). Vygotsky, tutoring and learning. Oxford review of Education22(1), 5-16. http://www.tandfonline.com/doi/abs/10.1080/0305498960220101#.VI3EvyuG-_l

Zapata-Ros, M. (1996a). Integración de la GEOMETRÍA FRACTAL en las Matemáticas, y en la Informática, de Secundaria. http://platea.pntic.mec.es/~mzapata/tutor_ma/fractal/fracuned.htm# Pero… ¿qué son los fractales?

Zapata-Ros, M. et al (1996b). Integración de la GEOMETRÍA FRACTAL en las Matemáticas, y en la Informática, de Secundaria.  Materiales para la Enseñanza Secundaria: área de Matemáticas y área de Educación FísicaDocumentos CEP . Núm. 47. CEP Murcia II. http://hdl.handle.net/11162/645.

Zapata-Ros, M. (2009): Objetos de aprendizaje generativos, competencias individuales, agrupamientos de competencias y adaptatividad . RED. Revista de Educación a Distancia, número monográfico X. Consultado (DD/MM/AA) en http://www.um.es/ead/red/M10. Pág. 5.

Zapata-Ros, M. (2011). Patrones en elearning. Elementos y referencias para la formación. 15 de julio de 2011. RED, Revista de Educación a Distancia. Número 27. Consultado el [dd/mm/aaaa] en http://www.um.es/ead/red/27/

Zapata-Ros, M. (2012). La Sociedad Postindustrial del Conocimiento. Un enfoque multidisciplinar desde la perspectiva de los nuevos métodos para organizar el aprendizaje. Amazon. Consultado en http://www.amazon.es/Sociedad-Postindustrial-del-Conocimiento-multidisciplinar/dp/1492180580.

Zapata-Ros, M. (2013a).  ¿Por qué nos gustan las cosas hermosas? La belleza está escrita en lenguaje matemático mucho antes de que se descubra. Blog Redes Abiertas. http://redesabiertas.blogspot.com.es/2013/03/por-que-nos-gustan-las-cosas-hermosas.html

Zapata-Ros, M. (2013b). El “problema de 2 sigma” y el aprendizaje ayudado por la tecnología en la Educación Universitaria. http://red.hypotheses.org/287 Zapata-Ros, M. (2014). La fundamentación teórica y científica del conectivismo. RED-Hypotheses. http://red.hypotheses.org/688

Zapata-Ros, M. (2014a). Enseñanza Universitaria en línea: MOOC, aprendizaje divergente y creatividad (II).RED-Hypotheses. http://red.hypotheses.org/416

Zapata-Ros, M. (2014b). Enseñanza Universitaria en línea: MOOC, aprendizaje divergente y creatividad (II).RED-Hypotheses. http://red.hypotheses.org/427

Zapata-Ros, M. (2015). Pensamiento computacional: Una nueva alfabetización digital. RED. Revista de Educación a Distancia. Número 46.  15 de Septiembre de 2015. Consultado el (dd/mm/aa) en http://www.um.es/ead/red/46

Zur-Bargury, I. (2012, July). A new curriculum for junior-high in computer science. In Proceedings of the 17th ACM annual conference on Innovation and technology in computer science education (pp. 204-208). ACM. https://dl.acm.org/citation.cfm?id=2325347

Zur-Bargury, I., Pârv, B., & Lanzberg, D. (2013, July). A nationwide exam as a tool for improving a new curriculum. In Proceedings of the 18th ACM conference on Innovation and technology in computer science education (pp. 267-272). ACM. https://dl.acm.org/citation.cfm?id=2462479.

 

Miguel Zapata Ros

Profesor Honorario en el Centro de Formación y Desarrollo Profesional de la Universidad de Murcia. Investigador en el Instituto Interuniversitario de Economía Internacional. Profesor Externo en la Universidad de Alcalá de Henares, miembro del programas de doctorado en Ingeniería de la Información y del Conocimiento, distinguido con Mención hacia la Excelencia por el Ministerio de Educación (Referencia: MEE2011-0159). Editor de RED, Revista de Educación a Distancia y de Docencia Universitaria. Miembro de INTCODE, agencia consultiva de ONU sobre educación a distancia, y representante en la sede de New York. Doctor en Ingeniería Informática.

More Posts - Website

Follow Me:
TwitterFacebookLinkedInGoogle Plus

Pensamiento computacional. Una tercera competencia clave (III): ¿Qué es el Pensamiento Computacional? Una definición.

Miguel Zapata-Ros, Universidad de Alcalá

Ésta es la tercera entrada de una serie que, en conjunto, constituirán un capítulo de un libro que será  publicado por la editorial de la Universidad Católica de Santa María de Arequipa (Perú) con el título “El pensamiento computacional: La nueva alfabetización de las culturas digitales”.

En las anteriores entradas se plantea que el pensamiento computacional  debe constituir una tercera competencia clave dentro del curriculum escolar junto con la Lengua y las Matemáticas, y qué son las alfabetizaciones y las culturas digitales

Definición de Pensamiento Computacional

Tras lo visto sobre Alfabetización Digital y conceptos asociados podemos abordar directamente la idea de pensamiento computacional.

Una primera aproximación a ese concepto es la que hace la informática Tasneem Raja (2014) en el post We Can Code It! , de la revista-blog Mother Jones:

“El enfoque computacional se basa en ver el mundo como una serie de puzzles, a los que se puede romper en trozos más pequeños y resolver poco a poco a través de la lógica y el razonamiento deductivo”.

Esta es una forma intuitiva en la que una autora, que proviene del mundo computacional, aborda una serie de métodos ampliamente conocidos en el mundo de la psicología del aprendizaje. Implícitamente está hablando de análisis descendente y de elaboración: Puzzles —problemas— que se pueden dividir en puzzles—otros problemas— más pequeños, para ir resolviéndolos. También, en el mismo párrafo, vemos una alusión implícita a la recursividad. Aunque falta la cláusula de parada y la vuelta atrás, porque evidentemente después de armar los puzzles pequeños, cada uno de ellos, hay que ensamblarlos en el puzzle general. Y también habrá que decir en qué nivel habrá que parar y dar marcha atrás.

Sin embargo, aunque todo el mundo la cita, no es  una buena definición. En general no es una definición es simplemente una cercamiento, eso sí afortunado al problema. Tampoco aborda la cuestión de una forma mínimamente estructurada o sistemática, ni con la complejidad que requiere, como veremos.

Hay otros procedimientos para abordar tareas complejas que igualmente se pueden considerar como propias de este pensamiento, como son el análisis ascendente, y todo lo que constituye la heurística, el pensamiento divergente o lateral, la creatividad, la resolución de problemas, el pensamiento abstracto, la recursividad, la iteración, los métodos por aproximaciones sucesivas, el ensayo-error, los métodos colaborativos, el entender cosas juntos, etc. que veremos en lo que sigue.

La definición de pensamiento computacional que se considera la más apropiada, y la que a falta de otra utilizaremos, es la que dió Jeannette Wing (Wing, March 2006), vicepresidente corporativo de Microsoft Research y profesora de Computer Science Department Carnegie Mellon University , que fue quien popularizó el término en su artículo “Computational Thinking. It represents a universally applicable attitude and skill set everyone, not just computer scientists, would be eager to learn and use”, cuyo título es en sí mismo una definición.

Wing dice que el “pensamiento computacional” es una forma de pensar que no es sólo para programadores. Y lo define:

“El pensamiento computacional consiste en la resolución de problemas, el diseño de los sistemas, y la comprensión de la conducta humana haciendo uso de los conceptos fundamentales de la informática”.

En ese mismo artículo continúa diciendo que

“esas son habilidades útiles para todo el mundo, no sólo para los científicos de la computación”.

Pero lo más interesante y lo que nos dio el método para trabajar en el artículo precedente de este trabajo (Zapata-Ros, 2015), es que describe una serie de rasgos que nos van a ser muy útiles para continuar con el trabajo de construir un corpus curricular para el aprendizaje basado en el pensamiento computacional. Así por ejemplo se dice:

  • En el pensamiento computacional se conceptualiza, no se programa.- Es preciso pensar como un científico de la computación. Se requiere un pensamiento en múltiples niveles de abstracción;
  • En el pensamiento computacional  son fundamentales las habilidades no memorísticas o no mecánicas.– Memoria significa mecánico, aburrido, rutinario. Para programar los computadores hace falta una mente imaginativa e inteligente. Hace falta la emoción de la creatividad. Esto es muy parecido al pensamiento divergente, tal como lo concibieron Polya (1989) y Bono (1986).
  • En el pensamiento computacional se complementa y se combina el pensamiento matemático con la ingeniería.- Ya que, al igual que todas las ciencias, la computación tiene sus fundamentos formales en las matemáticas. La ingeniería nos proporciona la filosofía base de  que construimos sistemas que interactúan con el mundo real.
  • En el pensamiento computacional lo importante son las ideas, no los artefactos. Quedan descartados por tanto la fascinación y los espejismos por las novedades tecnológicas. Y mucho menos estos factores como elementos determinantes de la resolución de problemas o de la elección de caminos para resolverlos.

Wing (March 2006) continua con una serie de rasgos, pero lo interesante ahora, con ser importante, no es esta perspectiva en sí, sino, en el contexto de un análisis y de una elaboración interdisciplinar, ver las implicaciones que tienen estas ideas para una redefinición de un dominio teórico específico dentro de las teorías del aprendizaje. Eso por un lado, y por otro encontrar un currículum adecuado a esos dominios conceptuales para las distintas etapas educativas y para la capacitación de maestros y profesores.

Un dominio teórico específico del pensamiento computacional en las teorías del aprendizaje y un currículum.

Siguiendo los trabajos de Eggleston (1980), en el artículo publicado en el número monográfico de RED sobre Pensamiento Computacional (Zapata-Ros, 2015), basado en la necesidad de contar con un corpus curricular, y que ahora resumimos, establecimos una relación de habilidades y de elementos más o menos complejos de desarrollo cognitivos asociados al Pensamiento Computacional y que en conjunto lo definen

Así lo planteamos, en el contexto de un análisis y de una elaboración interdisciplinar, viendo las implicaciones que tienen estas ideas para una redefinición de un dominio teórico específico dentro de las teorías del aprendizaje. Y desde luego con la intención de definir descriptivamente, en un primer acercamiento, un currículum adecuado a esos dominios conceptuales para las distintas etapas educativas y para la capacitación de maestros y profesores.

Esto es lo que en una primera aproximación hicimos con las limitaciones de un tratamiento general, pero que ahora estamos tratando de ampliar y de documentar, así como recoger las aportaciones que n los desarrollos prácticos e institucionales se están produciendo. Este es el sentido pues que tiene este trabajo.

En primer lugar resumimos las siguientes componentes del pensamiento computacional, tal como las definimos en el primer trabajo (Zapata-Ros, 2015):

Fig. 2

Volviendo al problema de la definición del Pensamiento Computacional, podemos establecer la siguiente, uniendo y completando las ideas de David Bawden (2008, Capítulo 1) con la definición de  Jeannette Wing (Wing, March 2006) y con lo analizado el trabajo que precede al presente (Zapata-Ros, 2015):

El pensamiento computacional consiste en la resolución de problemas, el diseño de los sistemas, y la comprensión de la conducta y de las actividades humanas haciendo uso de conceptos y procedimientos básicos para el trabajo y la elaboración de programas y algoritmos en la informática, valiéndose para ello de habilidades específicas y de técnicas necesarias para estos objetivos, que en conjunto constituyen  la base de la cultura digital. Entre estas habilidades y técnicas se identifican las quince siguientes: Análisis ascendente, análisis descendente, heurística, pensamiento divergente, creatividad, resolución de problemas, pensamiento abstracto, recursividad, iteración, métodos por aproximaciones sucesivas (Ensayo – error), métodos colaborativos, patrones, sinéctica, metacognición y cinestesia.

 

En la entrada siguiente procederemos pues a una descripción sucinta de cada uno de estos elementos.

Referencias

Bawden, D. (2008). Origins and concepts of digital literacy. Digital literacies: Concepts, policies and practices, 17-32. http://sites.google.com/site/colinlankshear/DigitalLiteracies.pdf#page=19

Bono, E. D. (1968). New think: the use of lateral thinking in the generation of new ideas. Basic Books.

Eggleston, J. (1982). Sociología del currículum. Ed. Troquel. Buenos Aires.

Pólya, George (1945). How to Solve It. Princeton University Press.

Pólya, G. (1989). Como plantear y resolver problemas Ed. Trillas. (Primera edición 1965)

Raja, T. (2014). We can code it!. http://www.motherjones.com/media/2014/06/computer-science-programming-code-diversity-sexism-education.

Wing, J.M. (March 2006). Computational Thinking. It represents a universally applicable attitude and skill set everyone, not just computer scientists, would be eager to learn and use. COMMUNICATIONS OF THE ACM /Vol. 49, No. 3. https://www.cs.cmu.edu/~15110-s13/Wing06-ct.pdf

Zapata-Ros, M. (2015). Pensamiento computacional: Una nueva alfabetización digital. RED. Revista de Educación a Distancia. Número 46.  15 de Septiembre de 2015. Consultado el (dd/mm/aa) en http://www.um.es/ead/red/46

Miguel Zapata Ros

Profesor Honorario en el Centro de Formación y Desarrollo Profesional de la Universidad de Murcia. Investigador en el Instituto Interuniversitario de Economía Internacional. Profesor Externo en la Universidad de Alcalá de Henares, miembro del programas de doctorado en Ingeniería de la Información y del Conocimiento, distinguido con Mención hacia la Excelencia por el Ministerio de Educación (Referencia: MEE2011-0159). Editor de RED, Revista de Educación a Distancia y de Docencia Universitaria. Miembro de INTCODE, agencia consultiva de ONU sobre educación a distancia, y representante en la sede de New York. Doctor en Ingeniería Informática.

More Posts - Website

Follow Me:
TwitterFacebookLinkedInGoogle Plus

Pensamiento computacional. Una tercera competencia clave (II): Alfabetizaciones y culturas digitales.

Miguel Zapata-Ros, Universidad de Alcalá

Ésta es la segunda entrada de una serie que, en conjunto, constituirán un capítulo de un libro que será  publicado por la editorial de la Universidad Católica de Santa María de Arequipa (Perú) con el título “El pensamiento computacional: La nueva alfabetización de las culturas digitales”.

En la primera entrada se plantea lo que debe ser el pensamiento computacional dentro del curriculum escolar de Primaria, de Secundaria Obligatoria y de Bachillerato o Secundaria Postobligatoria y también de Educación Infantil: Una tercera competencia clave, junto con las dos que de forma comúnmente aceptada así se consideran: Lenguaje y matemáticas.

 

¿Qué es el Pensamiento Computacional?

1. Alfabetizaciones y culturas digitales

El pensamiento computacional se ha definido como una nueva alfabetización digital. Será importante que primero nos acerquemos a este concepto.

La idea más extendida sobre lo que es la alfabetización digital (Digital Literacy) es que consiste en una trasposición.

A lo largo de la historia se han sucedido distintas alfabetizaciones y todas han tenido una significación común: han supuesto una adaptación a los nuevos medios de comunicación, representación y proceso de la información entre humanos. Así, según esta idea, la Alfabetización Digital es la adaptación y la capacitación para esas funciones de comunicación, representación y proceso a las coordenadas de la revolución tecnológica y de la sociedad de la información, consideradas en sentido estrictamente tecnológico, como revolución de medios de comunicación y de difusión de ideas.

Ésta es la idea del autor que pasó como el creador del concepto: Paul Gilster (1997). Este autor no nos proporcionó una listas de habilidades, competencias o actitudes en la  definición de lo que es una cultura digital (a diferencia de como nosotros tratamos de hacer). Dio una explicación muy general, la definió como la capacidad de entender y utilizar la información de una gran variedad de fuentes digitales. Por tanto, se trata de la actualización per se de lo que se entiende de forma  tradicional por alfabetización. Sólo que en este caso se trata de  la capacidad de leer, escribir y realizar cualquier transacción con la información, pero ahora utilizando las tecnologías y los formatos de datos actuales, al igual que la alfabetización clásica utilizaba la tecnología de la información y los formatos de cada época (libros, papiros, pergaminos, tablillas,…). Pero sobre todo, en ambos casos, se considera como un conjunto de habilidades esenciales para la vida. La crítica es que ésta es una expresión genérica del concepto, sin ir ilustrada o acompañada de una “listas de competencias”. Limitación que intentamos superar en nuestro trabajo (Zapata-Ros, 2015)

Otros autores utilizaron y explicaron el concepto durante los años noventa:

Bawden (2001) la define como la capacidad de leer y comprender  elementos de información en los formatos de hipertexto o multimedia

Lanham (1995) la considera como una especie de “alfabetización multimedia”. Se basaba, de forma débil, en que desde una fuente digital se podrían generar muchas formas de texto, de informaciones, imágenes, sonidos, etc.  Esto justificaba la necesidad de una nueva forma de alfabetización, con el fin de interpretar, de  dar sentido a estas nuevas formas de presentación, pues es claro que una alfabetización entraña muchas más operaciones y ámbitos de desarrollo que las técnicas interpretativas. Obviamente se trataba además de un planteamiento restrictivo al centrarse en el multimedia, frente al concepto más amplio de la alfabetización digital. Era una interpretación demasiado focalizada en una tecnología concreta de una época concreta.

Distintas concepciones de este tipo son revisadas ​​por Eshet (2002). Que, tras el análisis de estas concepciones, llega a la conclusión de que la alfabetización digital debe considerarse  más como  la capacidad de utilizar las fuentes digitales de forma eficaz que de otra cosa. Se trata pues  de un tipo especial de mentalidad o pensamiento. Esta conceptualización está bastante más próxima a lo que planteamos en este trabajo, únicamente que se refiere a la forma de procesar la información, no a organizar la resolución de problemas. El pensamiento computacional es más una resolución de problemas.

Pero un gran mérito de la definición de Gilster, en su libro de 1997, es que rechaza de plano la idea que dio lugar al mito de los “nativos digitales”.  Afirma explícitamente que “la alfabetización digital tiene que ver con  el dominio de las ideas, no con las pulsaciones en el teclado”. Dice claramente, en su concepción, lo limitado de las “habilidades técnicas” desde la perspectiva de la alfabetización digital. Señala que “no sólo hay que adquirir la habilidad de hallar las cosas, sobre todo se debe adquirir la capacidad de utilizar esas cosas en la vida del individuo”(pp. 1-2).

Un fuerte impulso de esta idea sobre lo establecido por Gilster (1997) lo da David Bawden (2008, Capítulo 1), donde afirma  que la alfabetización digital implica una forma de distinguir una variedad creciente de conceptos y de hechos, para delimitar los que son relevantes en orden a conseguir  el dominio de las ideas. E insiste en lo necesario para ello de una evaluación cuidadosa de la información, en el análisis inteligente y en la síntesis. Todo ello como vemos tiene que ver con la metacognición. Para ello  proporciona listas de habilidades específicas y de técnicas que se consideran necesarias para estos objetivos, y  que en conjunto constituyen  lo que califica como una cultura digital. Es importante señalar que los auténticos avances sobre estas ideas siempre son las mismas, provienen de listas de competencias, donde resaltan los aspectos metacognitivos

Sobre estas competencias Bawden (2008) remite a las expuestas en otro trabajo anterior (Bawden, 2001). En las habilidades que señalan se constatan ideas como la de construir un “bagaje de información fiable” de diversas fuentes, las habilidades de recuperación, utilizando una forma de “pensamiento crítico” para hacer juicios informados sobre la información recuperada, y para asegurar la validez e integridad de las fuentes de Internet, leer y comprender de forma dinámica y cambiante material no secuencial. Y así una serie de habilidades donde como novedad se introducen las affordances de conocimiento en entornos sociales y de comunicación en redes, y la idea de relevancia. Sobre las ideas de Bawden se debería volver.

Llegados a este punto hay una segunda línea de delimitación conceptual, estudiada por Eshet-Alkalai (2004). A partir de su reflexión  advierte sobre la incompatibilidad entre los planteamientos de aquellos que conciben la alfabetización digital como “principalmente constituida por habilidades técnicas, y los que la ven centrada en aspectos cognitivos y socio-emocionales del trabajo en entornos digitales”.

Otro criterio que se ha tenido en cuenta en la aproximación al concepto de Alfabetización Digital fue el de clasificar (Lankshear y Knobel, 2006) según se tratase de un enfoque conceptual o de un enfoque “operacional”.

Es importante esta última tendencia, la de definiciones basadas en operaciones,  porque implica una estandarización. Y esto confiere un carácter “funcional” a  la Alfabetización Digital. Estamos pues en presencia de un enfoque de índole cultura digital, centrando en el estudio en la naturaleza de las  tareas, presentaciones, demostraciones de habilidades, etc. que se realizan, que progresan en la construcción de estándares  para definir qué es o no es Alfabetización Digital.

Por último hay una variante comercial de la Alfabetización Digital, que consiste en una certificación de competencias. Es la acreditación conocida como Internet and Computing Core Certificación (IC³) (www.certiport.com). Su página web  afirma que la “certificación IC³ ayuda a aprender y a demostrar Internet y la alfabetización digital a través de un estándar de evaluación del aprendizaje válido para la industria en todo el mundo”. Se basa en un sistema de formación y de certificación a través de un examen que abarca contenidos sobre Fundamentos de  Informática, en aplicaciones básicas y claves para la vida,  en lo que llaman la “vida conectada”.

Lo que se propone en este trabajo, con la construcción de la idea del pensamiento computacional a partir de elementos o de formas específicas de pensamiento para resolver problemas, tiene que ver con la Alfabetización Digital en lo concerniente a que éste está constituido por competencias clave que sirven para aprender y comprender ideas, procesos y fenómenos no sólo en el ámbito de la programación de ordenadores o incluso del mundo de la computación, de Internet o de la nueva sociedad del conocimiento, sino que es sobre todo útil para emprender operaciones cognitivas y  para la elaboración compleja que, de otra forma, sería más complejo, o imposible, realizar. O bien, dicho de otra forma, sin estos elementos de conocimiento sería más difícil resolver ciertos problemas de cualquier ámbito, no solo de la vida científica o tecnológica, sino de la vida común.

Como dijimos, y concluyendo, se considera como un conjunto de habilidades esenciales para la vida en la mayoría de los casos y como un talante especial para afrontar problemas científicos y tecnológicos.

Señalamos en relación con esta última acepción algunos ejemplos que veremos después, o hemos visto, en este trabajo, como son el de la  determinación de la génesis de los contagios, en el caso que cuestiona teorías generales como la teoría miasmática del origen de las enfermedades, o la secuencia de llenado de los asientos en el embarque de aeronaves.

 

Referencias

Bawden, D. (2001). Information and digital literacies: a review of concepts. Journal of Documentation, 57(2), 218–259.

Bawden, D. (2008). Origins and concepts of digital literacy. Digital literacies: Concepts, policies and practices, 17-32. http://sites.google.com/site/colinlankshear/DigitalLiteracies.pdf#page=19

Eshet, Y. (2002). Digital literacy: A new terminology framework and its application to the design of meaningful technology-based learning environments, In P. Barker and S. Rebelsky (Eds.), Proceedings of the World Conference on Educational Multimedia, Hypermedia and Telecomunications, 493–498 Chesapeake VA: AACE, Retrieved November 30, 2007, from http://infosoc.haifa.ac.il/DigitalLiteracyEshet.doc

Eshet-Alkalai, Y. (2004), Digital literacy: a conceptual framework for survival skills in the digital era, Journal of Educational Multimedia and Hypermedia, 139(1), 93–106. Available at: http://www.openu.ac.il/Personal_sites/download/Digital-literacy2004-JEMH.pdf

Gilster, P. (1997). Digital literacy. New York: Wiley.

Lanham, R.A. (1995). Digital literacy, Scientifi c American, 273(3), 160–161.

Lankshear, C. and Knobel, M. (2006). Digital literacies: policy, pedagogy and research considerations for education. Digital Kompetanse: Nordic Journal of Digital Literacy, 1(1), 12–24.

Zapata-Ros, M. (2012). La Sociedad Postindustrial del Conocimiento. Un enfoque multidisciplinar desde la perspectiva de los nuevos métodos para organizar el aprendizaje. Amazon. Consultado en http://www.amazon.es/Sociedad-Postindustrial-del-Conocimiento-multidisciplinar/dp/1492180580.

Zapata-Ros, M. (2015). Pensamiento computacional: Una nueva alfabetización digital. RED. Revista de Educación a Distancia. Número 46.  15 de Septiembre de 2015. Consultado el (dd/mm/aa) en http://www.um.es/ead/red/46

Miguel Zapata Ros

Profesor Honorario en el Centro de Formación y Desarrollo Profesional de la Universidad de Murcia. Investigador en el Instituto Interuniversitario de Economía Internacional. Profesor Externo en la Universidad de Alcalá de Henares, miembro del programas de doctorado en Ingeniería de la Información y del Conocimiento, distinguido con Mención hacia la Excelencia por el Ministerio de Educación (Referencia: MEE2011-0159). Editor de RED, Revista de Educación a Distancia y de Docencia Universitaria. Miembro de INTCODE, agencia consultiva de ONU sobre educación a distancia, y representante en la sede de New York. Doctor en Ingeniería Informática.

More Posts - Website

Follow Me:
TwitterFacebookLinkedInGoogle Plus

Pensamiento computacional. Una tercera competencia clave. (I)

Miguel Zapata-Ros, Universidad de Alcalá

Con ésta entrada se inicia una serie que, en conjunto, constituirán un capítulo de un libro que está acordado sea publicado por la editorial de la Universidad Católica de Santa María de Arequipa (Perú) con el título provisional de “El pensamiento computacional: La nueva alfabetización de las culturas digitales”.

El título del capítulo ya, de entrada, presupone una propuesta de atribución de valor y sentido de lo que debe ser el pensamiento computacional dentro del curriculum escolar de Primaria, de Secundaria Obligatoria y de Bachillerato o Secundaria Postobligatoria y también de Educación Infantil: Una tercera competencia clave, junto con las dos que de forma comúnmente aceptada así se consideran: Lenguaje y matemáticas. 

¿Por qué un corpus curricular sobre “pensamiento computacional” ahora?

Hace dos años decíamos (Zapata-Ros, 2015) que “las instituciones y agencias competentes, los expertos y los autores de informes de tendencia se han visto sorprendidos por un hecho: la sociedad y los sistemas de producción, de servicios y de consumo demandan profesionales cualificados en las industrias de la información”. Constatando, en el mundo desarrollado, la existencia de altas tasas de paro con un considerable número de puestos de trabajo de ingenieros de software, desarrolladores de aplicaciones, documentalistas digitales, que se quedan sin cubrir por falta de egresados de las escuelas técnicas, por falta de demanda de estos estudios por parte de potenciales alumnos y sobre todo por la falta de personal capacitado.

Esta era una causa pero hay otras que señalamos en (Zapata-Ros, 2012) como son las disrupciones universitarias que hacen que un número considerable de individuos, algunos extremadamente competentes, soslayen la vía de formación, y promoción profesional formales que teóricamente la universidad tienen encomendadas por otras vías más autónomas.

Ahora la toma de conciencia de las instituciones y agencias públicas, estatales e interestatales es mucho mayor. Una muestra de ello es la declaración de la UE en el documento The Computational Thinking Study[1]

Computational thinking (CT) is a shorthand for “thinking as a computer scientist”, i.e. the ability to use the concepts of computer science to formulate and solve problems. Computational thinking has been promoted in recent years as a skill or competence that is as fundamental as numeracy and literacy. Despite the high interest in developing CT among schoolchildren and the large public and private investment in CT initiatives, there are a number of issues and challenges for the integration of CT in the school curricula.

Tras una primera etapa de toma de conciencia ante la situación, algunos países han reaccionado de forma diversa según podemos ver en la tabla que constituye la última parte del presente trabajo.

En ese cuadro podemos ver distintas respuestas por parte de los sistemas educativos de los países más sensibles, los que han abordado el problema desde la perspectiva de una reorganización del curriculum. Sin embargo la cuestión de fondo supone la aparición de unas nuevas destrezas básicas. Las sociedades más conscientes han visto que se trata de una nueva alfabetización, una nueva alfabetización digital, y que por tanto hay que comenzar desde las primeras etapas del desarrollo individual, al igual como sucede con otras habilidades clave: la lectura, la escritura y las habilidades matemáticas, e incluso estudiando las concomitancias y coincidencias de esta nueva alfabetización con estas competencias claves tradicionales.

Afortunadamente la propuesta de poner a los niños a programar desde las primeras etapas, como única o principal estrategia de enseñanza, está cediendo. Según esta opción, la que ha sido la más frecuente hasta ahora y la más simple, a fuer de ser una respuesta  mecánica, ha consistido en favorecer el aprendizaje de la programación y de sus lenguajes de forma progresiva. En la práctica este procedimiento ha consistido, y aún constituye de forma muy frecuente, en proponer a los niños tareas de programar desde las primeras etapas. De manera que la progresión estuviese en la dificultad de las tareas y en su carácter motivador, desde las más sencillas y más lúdicas a las más complejas y aburridas. Se vincula aprendizaje con la respuesta a un estímulo, no con las características de aprendizaje y cognitivas del niño, en la tradición más clásica del conductismo.

Sin embargo una propuesta que hacíamos hace dos años (Zapata-Ros, 2015) se está abriendo cada vez más paso y lo hace de manera más decisiva. Se trata de la alternativa, ya tenida en cuenta por Papert (1980),  la que enlaza con corrientes clásicas del aprendizaje apoyado en la tecnología. Nos referimos al construccionismo. Esta alternativa está sostenida por algunos autores, inspira a profesores y grupos innovadores en la puesta en marcha de actividades y en algunos pocos casos a corporaciones que,  frecuentemente de forma aislada, nos planteamos la cuestión de otro modo: Las competencias que se muestran como más eficaces en la codificación son la parte más visible de una forma de pensar, que es útil no sólo en ese ámbito de actividades cognitivas, las que se utilizan en el desarrollo y en la creación de programas y de sistemas informáticos, sino en otras actividades de la vida profesional o científica y de la vida personal. En definitiva sostienen que hay una forma específica de pensar, de organizar ideas y representaciones, que propicia y que favorece las competencias computacionales, pero no sólo. Se trata de una forma de pensar que propicia el análisis y la relación de ideas  para la organización y la representación lógica de procedimientos. Esas habilidades se ven favorecidas con ciertas actividades y con ciertos entornos de aprendizaje desde las primeras etapas. Se trata del desarrollo de un pensamiento específico, de un pensamiento computacional.

Hemos dicho que un precedente remoto de estas ideas está en el construccionismo, en las ideas de autores como Seymourt Paper, en las ideas que puso en marcha ahora hace cincuenta años y que le llevaron a construir el lenguaje LOGO, sus entornos de aprendizaje y micromundos.

Paulo Blikstein (2013) de la Universidad de Stanford, dice que si un historiador tuviera que trazar una línea que uniese la obra de Jean Piaget sobre la psicología del desarrollo a las tendencias actuales en la tecnología educativa, la línea simplemente se llamaría “Papert”.  Seymour Papert ha estado en el centro de tres revoluciones: el desarrollo del pensamiento en la infancia, la inteligencia artificial y las tecnologías informáticas para la educación. Quizá el que no haya tenido el impacto debido se deba a que se anticipó.

La visión de Papert se podría sintetizar diciendo que “los niños deben programar la computadora en lugar de ser programados por ella” (children should be programming the computer rather than being programmed by it) (Papert, 1980  a través de Blikstein, 2013)

Ahora, en la fase actual del desarrollo de la tecnología y de las teorías del aprendizaje se podría decir “son los niños los que tienen que educar a los ordenadores no los ordenadores los que tienen que educar a los niños”

Este trabajo, el anterior (Zapata-Ros, 2015), y en general las actividades y reflexiones que se proponen, están justificados por el papel que, en el contexto de cambios sociales, laborales, y culturales (Zapata-Ros, 2014), tiene el desarrollo individual que, desde las primeras etapas, faciliten una integración en ese nuevo entorno, mediante un  aprendizaje orientado hacia las competencias que son necesarias en la programación.

Se trata pues, como vamos a ver, de una nueva alfabetización. De una alfabetización que permita a las personas en su vida real afrontar retos propios de la nueva sociedad. Pero no solo eso, que permita a los individuos organizar su entorno, sus estrategias de desenvolvimiento, de resolución de problemas cotidianos, además de  organizar su mundo de relaciones, en un contexto de comunicación más racional y eficiente.

Todo ello con el resultado de que los individuos puedan organizar estrategias más eficientes para conseguir objetivos personales de índole muy diversa. En definitiva se trata de conseguir una mayor calidad de vida y un mayor nivel de felicidad.

Coincidiendo con la perspectiva que señaló Paper (1980) y antes los psicólogos genéticos y constructivistas (Piaget, 1977) sobre el desarrollo cognitivo, en este planteamiento subyace, como idea-fuerza,  que, al igual a como sucede con la música, con la danza o con la práctica de deportes, es clave  que se fomente una práctica formativa del pensamiento computacional desde las primeras etapas de desarrollo. De manera que, al igual que se pone en contacto a los niños con un entorno musical, de danza o de  deporte, se haga con un entorno de juegos, affordances y en general de actividades que promuevan, a través de la observación y de la manipulación, destrezas y formas de pensar que sean un campo abonado donde se inserten, y se produzcan de manera fluída, las formas de trabajar y de resolver problemas propias de los programadores eficientes.

Sin embargo hay que decir, y así lo constatamos en las indagaciones que hemos hecho para escribir este capítulo, que no tenemos en muchos casos ni evidencias de que esos entornos y esas manipulaciones desarrollen las destrezas computacionales o habilidades asociadas a lo que hemos llamado pensamiento computacional.  Habría pues, como primera cuestión, señalar la necesidad de fomentar investigaciones para tenerlas.

De alguna forma, no es nueva esta perspectiva, pero sí descontextualizada de esa situación. Tradicionalmente, en el diseño curricular de las primeras etapas de desarrollo se ha hablado de aprendizajes  o de destrezas concretas que en un futuro predispondría a los aprendices para aprender mejor en un futuro habilidades matemáticas, geométricas, de lenguaje, como son la seriación, el encaje, la discriminación de objetos por propiedades, en las primeras etapas, y también en las de desarrollo del pensamiento abstracto o para la resolución de problemas. Así se ha hablado de la modularización, del análisis descendente, de análisis ascendente, de recursividad, e incluso de sinéctica y de cinestesia… En la perspectiva Montessori (1928, 1935 y 1937) por ejemplo esto es básico. Para ello se han desarrollado ya multitud de recursos, juegos y actividades que los educadores infantiles conocen bien.

En el trabajo que sirve de precedente a este (Zapata-Ros, 2015) recurrimos a un caso de un niño que secuencia objetos con unos pocos meses de edad, con la circunstancia coincidente de que ha utilizado juguetes de este tipo. Ese mismo niño también ha utilizado, en los meses siguientes, juegos de composición (tangram y puzles) y de percepción y manipulación del espacio 3D, con un notable rendimiento en pensamiento abstracto en esta área para los observadores. También de forma coincidente con esta práctica regular y rutinaria, pero no por ello menos lúdica, en un ejercicio de dibujo de los que hace en clase sin que tuviese el resultado que veremos como objetivo, y sin orientaciones previas en ese sentido, el niño fue capaz de dibujar (fig.1) la planta de su clase, como podemos ver en la reproducción que adjuntamos, donde se distinguen elementos claramente simbolizados en formas, como son la pizarra la mesa y sillas o la escalera. Así como una persona que el niño identifica como “la seño”, la maestra.

Fig. 1

De esta forma deducimos que el niño se ha desprendido de su contingencia corporal-espacial y ha visto, ha percibido, la distribución del espacio y objetos, claramente simbolizados como si él estuviese desde arriba.

 

 

 

 

 

 

 

 

Obviamente es un hecho aislado sólo. Pero podemos intuir que hay multitud de áreas y de formas de aprendizaje que conviene explorar e investigar en esta nueva frontera. Y, en la planificación de los curricula, tendrán que plantearse los diseñadores esta dicotomía: Enseñar a programar con dificultad  progresiva (si se quiere incluso de forma lúdica o con juegos) o favorecer este nuevo tipo de pensamiento. Obviamente no hace falta decir que nuestra propuesta es la segunda, que además incluye a la primera.

Pero volvamos al tema central, la naturaleza, la delimitación y la definición del pensamiento computacional.

Tropezamos con varios problemas de comienzo: acotar el contenido y encontrar los términos y conceptos adecuados para definirlo.

En un principio se utilizó la expresión codificación y precodificación. La segunda extraída de la literatura anglosajona, coding  o code. En este sentido se utilizó en los textos que publicitaron el año 2014 como el año del código, o de la codificación, o de la programación (Year of code). Es importante acceder al documento de difusión donde además de utilizar el término code dan una aproximación bastante general pero precisa del término ya desde el principio. Así se dice (Silva, 2014):

A través de la codificación (code) la gente puede descubrir el poder de la informática, cambiando su forma de pensar acerca de su entorno y obtener el máximo provecho del mundo que le rodea.

Más precisa es la definición del informe de 2014 de la Unión Europea (Balanskat & Engelhardt , October, 2015) Computing our future Computer programmingand coding – Priorities, school curricula and initiatives across Europe:

La codificación (coding) es cada vez más una competencia clave que tendrá que ser adquirida por todos los jóvenes estudiantes y cada vez más por los trabajadores en una amplia gama de actividades industriales y profesiones. La codificación es parte del razonamiento lógico y representa una de las habilidades clave que forma parte de lo que ahora se llaman “habilidades del siglo 21″.

Como vemos es un dominio conceptual muy próximo a lo que hemos visto y veremos que es el pensamiento computacional, al menos se expresa con ese sentido que le hemos atribuido.

Por otro lado, de igual forma que se habla de prelectura, pre-escritura o precálculo para nombrar competencias que allanan el camino a las destrezas clave y a las competencias instrumentales que anuncian, cabe hablar de precodificación preprogramación para designar las competencias que son previas y necesarias en las fases anteriores del desarrollo para la codificación.

Un planteamiento útil en este sentido es que los niños se familiaricen en las primeras etapas de desarrollo a preconceptos de variable, función, valor, parámetros, que sin necesidad de referencias explícitas, desarrollen habilidades y preconceptos  que en el futuro puedan alojar operaciones o conceptos más complejos, propios de habilidades cognitivas superiores más propios de la programación. Así los equivalentes a variables pueden ser rasgos de objetos como el color, la forma, el tamaño,… Y los procedimientos u operaciones con estos rasgos (variables) pueden ser la seriación, el encaje, etc. Evidentemente hay muchas más habilidades y más complejas en su análisis y en el diseño de actividades y entornos para que este aprendizaje se produzca. Así, este ámbito de la instrucción es lo que podría denominarse precodificación o preprogramación. Sin embargo creemos que es más propio llamarle precodificación, pues codificación describe, con más precisión y más ajuste conceptual, la transferencia de acciones e informaciones para que puedan ser interpretados por los ordenadores y otros dispositivos de proceso, circulación y almacenamiento de la  información.

Si solamente hablásemos de algo preparatorio para la programación, podríamos hacerlo así, y sin duda sería correcto. Sin embargo esto se correspondía, en otros dominios y con anterioridad, con un propósito más amplio que es prepararse para dotarse de claves de comprensión y de representación de los objetos de conocimiento en general. Es por ello que vemos más adecuada la expresión “pensamiento computacional” (computational thinking), que a continuación desarrollaremos

Otra expresión que se propone habitualmente es la de alfabetización digital, o “una nueva alfabetización digital”. Sin embargo hay que  reconocer que, al menos en español, e impropiamente, esta expresión tiene resonancias próximas al término “alfabetización informática”, al menos en su uso. Que inevitablemente, por el uso, nos recuerda la informática de usuario, al considerare esta alfabetización como el conocimiento y la destreza para manejarse en entornos de usuario. Así es frecuente entre la gente poco ilustrada confundir al buen informático con el que maneja bien, es hábil, con los programas de usuario, las APPs, o al que se maneja con fluidez y rapidez en los ambientes de menús, ventanas y opciones, o simplemente al que tiene habilidad en los pulgares para manejar un smartphone, o con el índice para moverse por un tablet. En una acepción lamentablemente muy extendida y banal ha dado lugar a que prendan conceptos paracientíficos como son los de nativo y emigrante digital.

Como veremos después estas adherencias las eliminaremos al hablar de alfabetizaciones en relación con culturas epistemológicas, así la alfabetización digital tendrá que ver, estará relacionada forzosamente, con la cultura o las culturas digitales.

En lo que sigue aceptamos la definición de alfabetización digital (computer literacy) como el conocimiento y la capacidad de utilizar las computadoras y la tecnología relacionada con ellas de manera eficiente, con una serie de habilidades que cubren los niveles de uso elemental de la programación y la resolución de problemas avanzada (Washington, US Congress of Technology Assessment, OTA CIT-235 April 1984, page 234). Con el reparo, ya citado,  de que en ese mismo documento se acepta que la expresión alfabetización digital también se puede utilizar para describir el nivel de acomodo que un individuo tiene con el uso de programas de ordenador y otras aplicaciones que están asociados con las computadoras . La alfabetización digital por último se puede referir a la comprensión de cómo funcionan los ordenadores y a la facilidad de operar con ellos.

En lo que sigue hablaremos más de “pensamiento computacional” (computational thinking) y de  las iniciativas necesarias para que esta nueva alfabetización digital se produzca: El estudio y la investigación de un nuevo curriculum escolar y el análisis de propuestas para la formación para maestros y profesores.

El primer dilema del pensamiento computacional

Como hemos señalado, una vez aceptada la necesidad de que los niños, desde sus primeras etapas de desarrollo, adquieran las habilidades del pensamiento computacional, constatamos que se han producido, se nos proponen, dos alternativas que constituyen los términos de un dilema:

Por un lado la respuesta más frecuente y  más simple,  a fuer de ser una respuesta  mecánica, ha consistido en favorecer el aprendizaje de las técnicas ya consagradas de programación y de sus lenguajes de forma progresiva, o de lenguajes cada vez más complejos: primero juegos con estructuras constructivas de lenguajes —bucles, iteraciones, bifurcaciones lógicas,…—- luego lenguajes sencillos utilizados para resolver problemas divertidos, de juegos, etc. para posteriormente ir aumentando la dificultad, sin señalar que en cada uno de estos pasos hemos ido dejando gente por el camino y al final nos quedamos con la élite friki de los programadores de siempre. En esencia se trataba de proponer a los niños tareas de programar desde las primeras etapas. De manera que la progresión estuviese en la dificultad de las tareas y en su carácter motivador, desde las más sencillas y más lúdicas a las más complejas y aburridas. Se vincula lo que se aprende con la respuesta a un estímulo, no con las características propias de aprendizaje y cognición del niño. En definitiva, nada nuevo, se sigue con ello la tradición más clásica del conductismo.

Este es el tipo de planteamiento que está detrás de la idea, simple pero de supuesta eficiencia productiva, de obtener individuos que hagan muchas líneas de programa y capaces de  hacerlas muy rápidamente, sin pensar previamente mucho en el problema a resolver, sin diagramas, sin diseño,… En definitiva es la idea que hay detrás de los concursos de programación, de enseñar a programar a través de juegos, etc.

Como hemos dicho es un planteamiento competitivo que deja a fuera a muchos niños y como corolario,  que hace poco deseable para muchos ser programador, o al menos les confiere una imagen de frikis, poco deseable, a los programadores (individuo gordo descuidado, atado al ordenador, poco amigo del ejercicio físico y del aseo personal). En definitiva unos tipos raros con un perfil poco atractivo. Éste  puede llegar a ser un planteamiento, por muchas razones, no solo poco deseable sino excluyente.

Luego está el otro término del dilema. Lo importante según esta visión no es que los alumnos escriban programas, sino desarrollar en ellos actitudes y capacidades para  enfrentar los problemas en las situaciones previas no solo al código, sino incluso al algoritmo. De manera que la organización de la solución, a partir de la visión del problema y de las herramientas cognitivas y metacognitivas, de que dispone para resolverlo, le fluya. Para ello lo importante es que los maestros sepan cómo los alumnos se representan la realidad, su mundo de objetivos y expectativas, pero también cómo funcionan los mecanismos de aprendizaje en estos casos, y cuáles son las formas de trabajar exitosas de los que tienen éxito en hacer programas potentes.

Así pues lo importante no es el software que escriben, sino lo que piensan cuando lo escriben. Y sobre todo la forma en que lo piensan.

Conocer este mundo de ideas, de procedimientos y de representaciones, cómo operan, constituye el principio básico del “pensamiento computacional”. Y cualquier otro conocimiento, como memorizar a la perfección las reglas que constituyen la sintaxis y las primitivas (la gramática) de cualquier lenguaje de programación, no les sirve de nada a los alumnos si no pueden pensar en buenas maneras de aplicarlas.

Éste es pues el segundo término del dilema en el que hay que decidir.

Desgraciadamente, como veremos en la segunda parte de este capítulo, la modalidad por la que se ha optado de forma más frecuente ha sido la de enseñar a programar directamente. Esa ha sido también la que se ha empezado a utilizar en nuestro país. Así,  por ejemplo, se ha hecho en la Comunidad de Madrid[2] (Valverde et al, 2015). Simplemente se describen los contenidos y destrezas de programación a conseguir. La novedad consiste en introducir un bloque de contenidos, de forma convencional (no diferente de cómo se hace con el resto) dentro de las asignaturas de libre configuración autonómica. Así en el punto c (1º y 2º) del artículo 8, que remiten al anexo III de la orden, dice:

“1º (…) se establecen los contenidos, los criterios de evaluación y los estándares de aprendizaje evaluables de las materias Tecnología, Programación y Robótica, Ampliación de Matemáticas: Resolución de Problemas y Taller de Música.

2º. El Departamento de Coordinación Didáctica de Tecnología se responsabilizará de la impartición de la materia Tecnología, Programación y Robótica con carácter prioritario. Secundariamente, podrán impartirla profesores de la especialidad de Informática, siempre que previamente estén cubiertos en su totalidad los horarios de la Familia Profesional de Informática y Comunicaciones.”

El patrón es el mismo que cualquier otra disciplina, pero en este caso se hace además de forma subsidiaria.

Lo que subyace en la redacción, en éste como en otros casos es un abordamiento convencional: Conducir a los alumnos de Secundaria por el camino más áspero, el de los contenidos y estándares de aprendizaje, pero en este caso, los de la programación per se. En este contexto no se proporcionan, ni se mencionan, otro tipo de ayudas o de claves para conseguir los efectos de que hablamos en el apartado anterior. Está muy lejos, cuando no en otra esfera, de lo que se plantea como Pensamiento Computacional.

Algunos de los resultados de esta forma de operar puede ser la exclusión de los que no tienen el don, o la habilidad innata, para programar directamente. De aquellos alumnos que, ante sólo la presencia del problema a resolver, se les activan mecanismos para con los elementos de programación (de los que proporciona un lenguaje específico: Sintaxis, órdenes, procedimientos, filosofía propia del lenguaje) elaborar el código.  Esta dinámica conduce a la creación de estereotipos y perfiles de alumnos con facilidad para la programación, y del tópico de que la programación es solo cosa de los programadores.

Hay otro efecto derivado. Si se aprende a programar como algo asociado a un lenguaje, es posible que no se produzca la transferencia,  y que en futuras ocasiones o en distintos contextos no se pueda repetir el proceso. Esto hace que la competencia profesional sea menos, y que la inserción no se produzca con toda eficacia que podría ser si se hiciera vinculado a operaciones cognitivas superiores. Las asociaciones profesionales se quejan de que las empresas contraten a informáticos de forma efímera. Sin reparar que es posible que suceda porque han aprendido de forma efímera, como algo vinculado a lenguajes y a programas pasajeros. De manera que en un futuro próximo, cuando cambie el programa o la versión actual, no tendrán flexibilidad mental para adaptarse a nuevos entornos, no solo de programación, sino de problemas. Esto no sucede, y las empresas lo saben, si contratan a titulados más familiarizados con elementos de pensamiento heurísticos, o de otro tipo de entre los glosados en el repertorio del trabajo de referencia (Zapata-Ros, 2015). Nos referimos a la facilidad con que estas empresas recurren a matemáticos o a físicos, que sí tienen esa competencia de abstraer los procedimientos para distinguir aspectos invariantes de la resolución de problemas en entornos cambiantes.

Esto no ocurre así cuando se empieza por desarrollar habilidades generales previas que se puedan activar en situaciones de elaboración de códigos o de resolución de otros problemas. Podemos afirmar que sí existen referencias (Raja, 2014) de investigaciones que ponen de manifiesto que cuando se empieza por enseñar el pensamiento computacional en vez de por la elaboración de códigos, desvinculando la iniciación en el aprendizaje a ser diestros con el ordenador, tal como se entiende habitualmente, se evita el principio de discriminación que hace que algún tipo de niños y de niñas se inhiban.

Una última derivación del tema es que esta forma de organizar el aprendizaje supone  un principio de democratización en el acceso a este conocimiento, que de esta forma no queda restringido a las élites de programadores. De manera que incluso, los que en un futuro pueden ser bibliotecarios, médicos o artistas, pueden ser también buenos programadores. Y por ende se podría ampliar la base de conocimiento que se vuelca al mundo de la computación, lo que constituye el motor y el combustible de la Sociedad del Conocimiento.

Referencias.-

Balanskat, A.  & Engelhardt , K. (October, 2014). Computing our future Computer programming and coding – Priorities, school curricula and initiatives across Europe.  European Schoolnet (EUN Partnership AISBL) http://www.eun.org/c/document_library/get_file?uuid=521cb928-6ec4-4a86-b522-9d8fd5cf60ce&groupId=43887

Balanskat, A.  & Engelhardt , K. (October, 2015). Computing our future Computer programming and coding – Priorities, school curricula and initiatives across Europe.  European Schoolnet (EUN Partnership AISBL)

Blikstein,  (2013). Seymour Papert’s Legacy: Thinking About Learning, and Learning About Thinking. https://tltl.stanford.edu/content/seymour-papert-s-legacy-thinking-about-learning-and-learning-about-thinking

MONTESSORI, M. (1928). Antropología Pedagógica. Barcelona: Araluce

MONTESSORI, M. (1937). Método de la Pedagogía Científica. Barcelona: Araluce

MONTESSORI, M. (1935). Manual práctico del método. Barcelona: Araluce

Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books, Inc. http://www.arvindguptatoys.com/arvindgupta/mindstorms.pdf

Piaget, J. (1947). La psychologie de l’intelligence [The psychology of intelligence]. http://dx.doi.org/10.4324/9780203278895

Piaget, J. (1972). Psicología de la inteligencia. Editorial Psique. Buenos Aires.

Piaget, J. (1977). The role of action in the development of thinking. In Knowledge and development (pp. 17-42). Springer US.

Raja, T. (2014). We can code it!. http://www.motherjones.com/media/2014/06/computer-science-programming-code-diversity-sexism-education.

Silva, R. (2014). START CODING THIS YEAR IT’S EASIER THAN YOU THINK. http://yearofcode.org/

Zapata-Ros, M. (2012). La Sociedad Postindustrial del Conocimiento. Un enfoque multidisciplinar desde la perspectiva de los nuevos métodos para organizar el aprendizaje. Amazon. Consultado en http://www.amazon.es/Sociedad-Postindustrial-del-Conocimiento-multidisciplinar/dp/1492180580.

Zapata-Ros, M. (2015). Pensamiento computacional: Una nueva alfabetización digital. RED. Revista de Educación a Distancia. Número 46.  15 de Septiembre de 2015. Consultado el (dd/mm/aa) en http://www.um.es/ead/red/46

 

[1] The Computational Thinking Study. Joint Research Centre (JRC). EU Science Hub

https://ec.europa.eu/jrc/en/computational-thinking

[2] DECRETO 48/2015, de 14 de mayo, del Consejo de Gobierno, por el que se establece para la Comunidad de Madrid el currículo de la Educación Secundaria Obligatoria. Recuperado a partir de http://www.bocm.es/boletin/CM_Orden_BOCM/2015/05/20/BOCM-20150520-1.PDF

 

 

Miguel Zapata Ros

Profesor Honorario en el Centro de Formación y Desarrollo Profesional de la Universidad de Murcia. Investigador en el Instituto Interuniversitario de Economía Internacional. Profesor Externo en la Universidad de Alcalá de Henares, miembro del programas de doctorado en Ingeniería de la Información y del Conocimiento, distinguido con Mención hacia la Excelencia por el Ministerio de Educación (Referencia: MEE2011-0159). Editor de RED, Revista de Educación a Distancia y de Docencia Universitaria. Miembro de INTCODE, agencia consultiva de ONU sobre educación a distancia, y representante en la sede de New York. Doctor en Ingeniería Informática.

More Posts - Website

Follow Me:
TwitterFacebookLinkedInGoogle Plus

Patrones de Pensamiento Computacional y corpus lingüísticos: el aprendizaje de lenguas con datos lingüísticos (y II)

 

Pascual Pérez-Paredes,  University of Cambridge

Miguel Zapata-Ros, Universidad de Alcalá

3. Elaboración de un patrón pedagógico para el uso de DDL (aplicación de la categoría de aprendizaje activo)

 

3.1. Componentes de los lenguajes de patrón

 

La expresión “lenguajes de patrón”, al igual que el término “patrón” son constructos acuñados por el arquitecto Christopher Alexander. Los defensores de este enfoque para los métodos de diseño suponen que esta forma de proceder ayuda a los no expertos (a los aprendices de lenguas en nuestro caso y en última instancia) a resolver con éxito problemas de diseño complejo en bastantes ocasiones. Al igual los lenguajes humanos, un lenguaje de patrones tiene un vocabulario, una sintaxis y una gramática. En los lenguajes de patrones utilizados para el diseño, las partes se descomponen de esta manera:

 

  1. El vocabulario. Es el contenido del lenguaje. Lo constituyen una colección de términos, que de forma especializada van a ayudar a describir soluciones a los problemas “en un campo de interés”.  Así, por ejemplo, en el lenguaje Arquitectura el lenguaje lo constituyen términos como: cimientos, edificios, salas, ventanas, cerraduras, etc. En nuestro caso el vocabulario necesario para la descripción del patrón pedgógico estará constituido por los seis conceptos abordados en el apartado 2.2, a saber, corpus, interfaz de búsqueda o concordanciero, nodo, líneas de concordancia, colocaciones y n-grams.
  2. “Sintaxis”. Cada solución a un problema incluye una descripción insertándola en una solución, o en un contexto, más amplio, de manera que cada solución se ajusta a un diseño más grande, más amplio o más abstractos y cada solución se vincula a otras soluciones en una red de soluciones necesarias. Por ejemplo, las habitaciones disponen de formas de obtener la luz, y las formas de acceder y de salir. La sintaxis tiene que ver con las reglas que rigen el lenguaje en tanto que estas reglas van referidas a los términos en sus relaciones con otros términos o con otros contextos más amplios que los contienen. En el caso del uso de DDL para el aprendizaje de lenguas adoptaremos el proceso lineal expuesto en la Figura 3, el cual se divide, a grandes rasgos, en cuatro etapas: inicio de la búsqueda (1), fase de interpretación de datos (2), fase de consolidación de la hipótesis (3) y fase de formulación final de los hallazgos realizados (4). En cada una de estas etapas los aprendices utilizarán alguno de los cinco bloques   (A,B,C,D,E) en los que hemos dividido
  3. “Gramática”. Cada patrón, cada solución, incluye la descripción del problema que resuelve y cómo lo hace, y el beneficio que se obtiene. Por lo tanto, si el beneficio no es necesario o no compensa, la solución no se utiliza. Incluso puede darse que una parte del diseño se puede omitir para ahorrar recursos. En el ejemplo de la arquitectura, en el diseño de edificios o viviendas podría darse el caso de que la gente no tenga que esperar para entrar en una habitación, y en lugar de una sala de espera, tal vez se pueda utilizar un sencillo vestíbulo.
  4. “Índice de relaciones entre términos”. La descripción del lenguaje debe de contemplar el índice que incluya aspectos gramaticales y sintácticos, con otros tipos de enlaces entre términos (patrones) de manera que el diseñador puede pensar rápidamente de una solución a soluciones relacionadas de una manera lógica.
  5. “Diseño”. La red de relaciones en el índice de la lengua permite muchas rutas diferentes a través del proceso de diseño. Esto simplifica el trabajo del diseñador, ya que el proceso puede comenzar desde cualquier parte del problema que el diseñador ya conoce, y caminar hacia lo que se quiere construir de nuevo en el diseño. No es preciso incluso que el diseñador comprenda de forma exhaustiva las razones que llevan a solucionar un problema para aceptar en un primer momento la estructura del patrón. Puede aceptarlo si el patrón ha funcionado bien y en un momento posterior comprenderlo, y el diseño resultante puede resultar utilizable. Por ejemplo, podríamos no comprender que el equipo de limpieza de los esquís se quedase fuera de la casa, y después comprender con el uso o incluso antes, que esto debe ser así porque los esquiadores se deshacen del equipo antes de entrar en casa. En este sentido el lenguaje de patrones no tiene porqué ser un instrumento de comunicación o de transmisión de información, o de procedimientos, sólo entre individuos de distintos niveles de experticia sino incluso de ámbitos de conocimiento diferentes. Puede ser un instrumento de comunicación y de trabajo interdisciplinar. La Figura 5 recoge nuestra propuesta de diseño. Las diferentes etapas están numeradas del 1 al 4, mientras que la sintaxis, la gramática y vocabulario aparecen clasificadas de la A a la E.

 

En el caso que nos planteamos, el del Pensamiento Computacional y de las actividades para el trabajo con DDL, los patrones pedagógicos pueden ser un instrumento de comunicación entre pedagogos (expertos en enseñanza), o psicólogos (expertos en aprendizaje), expertos en lingüística, expertos y educadores y diseñadores en didácticas específicas de todos los niveles educativos, etc. de una parte, e informáticos expertos en sistemas computacionales, desarrolladores, etc. De esta manera, y de igual forma que señalábamos en los ámbitos y con los ejemplos de arquitectura en los que no era preciso en un primer momento comprender enteramente la naturaleza de patrón, es decir no hace falta las razones que llevan a solucionar un problema, para aceptar la estructura del patrón, se pueden dar situaciones análogas en los patrones de Pensamiento Computacional. Así por ejemplo se pueden definir pautas (elementos de patrones no justificados) que tengan en cuenta los principios del aprendizaje significativo de Ausubel (Ausubel, 1963) o los principios de la secuenciación de contenidos de cualquiera de las teorías existentes, sin necesidad de comprender su esencia más profunda desde el primer momento.

Así pues, los lenguajes de patrón se utilizan para formalizar los valores de decisiones cuya efectividad resulta obvia a través de la experiencia, pero que es difícil de documentar y pasar a los aprendices. También son herramientas útiles a la hora de estructurar el conocimiento y comprender sistemas complejos sin caer en la simplificación extrema. Estos procesos incluyen la organización de personas o grupos que tienen que tomar decisiones complejas, y revelan cómo interactúan las diferentes funciones como parte del total.

Si los patrones están diseñados para acoger y tener en cuenta las mejores prácticas en un determinado dominio, los patrones de Pensamiento Computacional tratarán de alojar, para tener en cuenta el conocimiento de expertos en la práctica de la enseñanza de esta nueva alfabetización y en las características de aprendizaje e instruccional de los individuos y de los entornos donde se desarrolla el programa de formación. El objetivo es captar la esencia de la buena práctica en una forma resumida (abstrayendo los elementos más significativos) de manera que pueda ser fácilmente comunicada a los que la necesitan en un contexto de condiciones distinto. En su naturaleza el patrón puede ser igualmente la presentación de esta información (de las buenas prácticas, los conocimientos expertos, las soluciones a problemas,…) de una forma accesible y sistematizada, de manera que para cada nuevo diseñador pueda aprender o tener en cuenta lo que se conoce por expertos o por  profesores, o por otros especialistas, que hayan resuelto ya el problema en cuestión, y sea fácil la transferencia de conocimiento dentro de la comunidad.

 

3.2. Descripción de un patrón asociado a las actividades de DDL

Siguiendo lo establecido por Alexander, un patrón singular debe describirse en 3 partes:

  1. “Contexto” – ¿Bajo qué condiciones resolverá el problema la solución propuesta? Un aspecto importante de los patrones de diseño es identificar y documentar las ideas claves que hacen de un buen sistema un sistema diferente de un sistema normal (para construir una casa, un programa de ordenador, un objeto de uso cotidiano, o la secuencia de la iteración a un problema de embarque en aviones comerciales de pasajeros., o al diseño instruccional de una unidad de números en Primaria), y que ayude en el diseño de futuros sistemas. La idea que se expresa en un patrón debe ser lo suficientemente general para ser aplicadas en casos muy diferentes dentro de un contexto, pero aún lo suficientemente específico como para dar orientaciones constructivas. El contexto donde se aplica es pues el elemento definitorio del patrón. La gama pues de situaciones en las que los problemas y soluciones se resuelven desde un patrón se llama su contexto. De ahí se deriva que una parte importante de cada patrón es la descripción de su contexto. En el caso que nos ocupa, el contexto viene dado por la necesidad de entender y describir en comportamiento léxico-gramatical de una palabra (nodo) y de entender y describir la(s) cadena(s) sintagmática(s) en las que parece, los elementos léxicos que co-selecciona y los significados comunes a los que se asocia su uso. El Apartado 2.1 aborda este contexto específico en profundidad.

 

  1. “Sistema de fuerzas” – Se puede considerar como el problema o el objetivo. Frecuentemente estos problemas surgen en un conflicto de intereses encontrados o “fuerzas”. Un patrón emerge como un diálogo entre posturas contrapuestas o en tensión, de tal forma que la solución ayudará a equilibrar las fuerzas y finalmente a tomar una decisión. Por ejemplo, en un patrón cuya solución fuese utilizar un teléfono inalámbrico las fuerzas serían: por un lado la necesidad de comunicarse, y por otro la necesidad de hacer otras cosas al mismo tiempo (cocinar, limpiar el polvo, etc.). Un patrón muy concreto sería simplemente “utilizar teléfono inalámbrico”. Patrones más generales sería “dispositivo inalámbrico” o “actividad secundaria”, lo que sugiere que una actividad secundaria no debe interferir con otras actividades. En el caso que nos ocupa, el problema viene dado por la necesidad de describir el comportamiento de un elemento léxico o palabra (nodo) con datos reales de uso. En la Figura 5, A-D representan las tareas a realizar para la consecución de E.

 

  1. “Solución” – Es una configuración del sistema que pone las fuerzas en equilibrio o resuelve el problema presentado

 

Contexto → Sistema de fuerzas  → Solución

 

De esta forma un patrón siempre tendría: Una entrada, que es un nombre sencillo, una descripción concisa del problema, una solución definida, y suficiente información para ayudar al usuario a entender cuando debe aplicar esa solución. En la Figura 5, la solución vendría representada por E.

Figura 5. Patrón pedagógico propuesto para el trabajo con actividades DDL para el aprendizaje de lenguas.

Las tareas (A-D) utilizan elementos del pensamiento computacional aplicados, en este caso, a la resolución de un problema de índole lingüística (¿Cómo podemos describir el comportamiento de un nodo atendiendo a la distribución sintagmática y a la frecuencia del mismo en diferentes registros lingüísticos?). Algunos de los elementos de pensamiento computacional usados son   la metacognición, la sinéctica, la recursividad, la aproximación sucesiva, la heurística, la iteración, la creatividad, la resolución de problemas y los patrones. En el capítulo “Pensamiento computacional. Una tercera competencia clave” de esta misma obra se ofrece más información sobre estos y otros elementos del pensamiento computacional.

 

4. Conclusión

En este trabajo, el carácter pedagógico de los patrones y de sus lenguajes viene dado no sólo por su propia naturaleza y función en los procesos de aprendizaje, sino que se aplica a estructuras de información que permiten resumir y comunicar la experiencia acumulada y la resolución de problemas, tanto en la práctica como en el diseño, en programas de enseñanza y aprendizaje (Zapata-Ros, 2015). La utilización de patrones pedagógicos permite compartir buenas prácticas y sirve como referencia para nuevas aplicaciones y casos. El almacenamiento y proceso sistemático de estos patrones permite además construir no solo un corpus de información y una base de datos de referencias documentadas a las que los profesores, diseñadores instruccionales, profesionales o investigadores pueden dirigirse para sus trabajos específicos, sino también, por ser un instrumento de trabajo y de intercambio profesional (Zapata-Ros, 2015), posibilita un mejor entendimiento del papel del Pensamiento Computacional en un área educativa escasamente tratada: el aprendizaje de lenguas. De esta forma, nuestra contribución probablemente consiste en haber definido los elementos de lenguaje específicos del Pensamiento Computacional orientados al trabajo interdisciplinar: el de maestros, pedagogos, y expertos en computación o en diseño instruccional. Así, además de dar una propuesta general de los elementos que constituyen las componentes del lenguaje (Tabla 1), en ese mismo esquema ofrecemos una propuesta de desarrollo de futuras investigaciones que tendrán que determinar con mucho más nivel de detalle cuáles son los elementos de cada uno de esos apartados en relación con el Pensamiento Computacional y el aprendizaje de lenguas mediante datos (DDL).

El presente trabajo ofrece una taxonomía de conceptos y términos procedentes de Data-Driven-Learning (DDL) que rigen los criterios del tipo de análisis de datos necesarios en el aprendizaje inductivo del uso de la lengua mediante datos. Estos criterios se articulan no tanto como patrones de ubicación y colisión, contextos, frecuencias de palabras, etc., sino como patrones de uso y atribución de sentido. El patrón pedagógico propuesto para el trabajo con actividades DDL para el aprendizaje de lenguas (Figura 5) supone el reconocimiento del importante papel que el pensamiento computacional puede y debe jugar en DDL, en particular, y en el aprendizaje de lenguas, en general. DDL y el patrón pedagógico propuesto suponen la afirmación de la necesidad de profundizar en la alfabetización digital relacionada con el lenguaje propuesta por Pegrum (2016) y que, en parte, Dudney et al. (2013) concibieron como data literacy. Este subtipo de alfabetización reconoce el papel que el aprendiz juega en la toma de decisiones/aprendizaje por lo que es, precisamente, el individuo, el aprendiz, la pieza clave en el aprendizaje con datos.

La existencia de grandes bases de datos estructuradas de nada sirve si los aprendices no saben cómo gestionar la búsqueda, cribar los resultados, interpretar la importancia de los datos cuantitativos y cualitativos que se presentan y, en última instancia, formar conclusiones apoyadas en datos y su propia capacidad crítica. Es exactamente en este contexto en el que el uso de patrones pedagógicos puede ser de enrome utilidad al establecer un vínculo entre el conocimiento especialista propio de los lingüistas y la escasa motivación pedagógica de muchas de las aplicaciones DDL (Pérez-Paredes, 2010) en el aula de idiomas.


Tabla1.- Elementos de lenguaje de patrones del Pensamiento Computacional aplicados a las actividades DDL

 

 
Clase
Descripción
Elementos que lo componen
Ejemplos
Vocabulario Es el contenido del lenguaje. Lo constituyen una colección de términos, que de forma especializada van a ayudar a describir soluciones a los problemas “en un campo de interés”.  Términos obtenidos de la jerga de los programadores, pero con una formulación asequible al resto: relevantes para el ámbito semántico del PC, Corpus, nodo, concordanciero, líneas de concordancia, colocación, n-gram
Los propios elementos del Pensamiento computacional Metacognición, análisis ascendente, sinectica, recursividad,…
los procedentes de las ciencias conexas pero con relevancia para este dominio nuevo del lenguaje:

 

Heurístico, algoritmo, metacognición, elaboración, andamiaje cognitivos,…
Sintaxis Cada solución a un problema  incluye  una descripción insertándola en una solución, o en un contexto, más amplio, de manera que cada solución se ajusta a un diseño más grande, más amplio o más abstractos. De manera que cada solución se vincula a otras soluciones en una red de soluciones necesarias.

 

Reglas para organizar los elementos compuestos.

Un problema complejo normalmente necesita de varias formas de pensamiento computacional y sobre todo de un contexto amplio.

En la resolución de un problema de álgebra (de un sistema lineal) los elementos irán ensamblados por relaciones. En nuestro caso, el proceso de resolución es initiate > interpret > consolidate > report.
Gramática Está constituida por elementos que son la descripción del problema y de la solución. En la idea de que cada patrón, cada solución, incluye la descripción del problema que resuelve y cómo lo hace, y el beneficio que se obtiene.  En el caso del PC cada elemento está constituido por un problema descrito en un lenguaje comprensible por todos los que componen el equipo multidisciplinar que lo aborda y por los elementos teóricos y prácticos que fundamentan la solución así como la descripción del procedimiento para resolverlo así como las herramientas informáticas que se han desarrollado o pueden ser útiles. En el problema del viajante (TSP, Traveling Salesman Problem) (Zapata-Ros, 2015 pp 22,23) el elemento de Gramática está constituido por la descripción del problema y la solución, entendiendo que en ella se incluyen los elementos teóricos y procedimentales que son necesarios: la parte de Teoría de grafos que es necesaria para resolverlo, y el método específico opt y k-opt, o heurística Lin-Kernighan, así como las herramientas informáticas que se han desarrollado o pueden ser útiles.
Índice de relaciones entre términos La descripción del lenguaje debe de contemplar el índice que incluya aspectos gramaticales y sintácticos, con otros tipos de enlaces entre términos (patrones) de manera que el diseñador puede pensar rápidamente de una solución a soluciones relacionadas de una manera lógica.  En el caso del PC, las relaciones pueden ser la de secuenciación, qué orden seguirán los elementos para ser utilizados en un problema, y necesidad: Para resolver el problema A hace falta el elemento B, como relaciones más importantes, pero hay muchas más que pueden surgir fruto de un análisis que vaya más allá de los objetivos de este trabajo. Para resolver el problema del viajante (TSP, Traveling Salesman Problem) (Zapata-Ros, 2015 pp 22,23) es necesario el método opt y k-opt, o heurística Lin-Kernighan,
Diseño Las relaciones pueden integrarse en estructuras complejas y orientadas a la resolución de un problema. Entonces su elaboración y las técnicas para hacerla constituyen el diseño. La red de relaciones en el índice de la lengua permite muchas rutas diferentes a través del proceso de diseño. Esto simplifica el trabajo del diseñador, ya que el proceso puede comenzar desde cualquier parte del problema que el diseñador ya conoce, y caminar hacia lo que se quiere construir de nuevo en el diseño. No es preciso incluso que el diseñador comprenda de forma exhaustiva las razones que llevan a solucionar un problema para aceptar en un primer momento la estructura del patrón. Puede aceptarlo si el patrón ha funcionado bien y en un momento posterior comprenderlo, y el diseño resultante puede resultar utilizable. En el caso del PC el diseño de patrones precisaría definir cuales aspectos del patrón son indiferentes del problema que queramos resolver, e incluso qué elementos es preciso analizar entre problemas de naturaleza diferente para que se pueda utilizar el mismo patrón. Por ejemplo: qué tienen de común el problema del viajante y el problema del embarque de los pasajeros en un avión para que podamos utilizar el mismo algoritmo o un algoritmo de la misma naturaleza.

En un trabajo de elaboración de un lenguaje de patrones para el PC habría pues de delimitar y definir estos elementos de diseño.

 

 

 

 

 

 

 

Pérez-Paredes, P. y  Zapata-Ros, M. (2018).  Patrones de Pensamiento Computacional y corpus lingüísticos: el aprendizaje de lenguas con datos lingüísticos (Preprint). http://eprints.rclis.org/32209/

Referencias

 Alexander, C. (1977). A Pattern Language: Towns, Buildings, Construction. Oxford University Press.

Alexander, C., Ishikawa, S. y Silverstein, M. (1977). A Pattern Language. Oxford University Press. http://library.uniteddiversity.coop/Ecological_Building/A_Pattern_Language.pdf

Ausubel, D. P. (1963). The psychology of meaningful verbal learning; an introduction to school learning. New York: Grune & Stratton.

Ballance, O. J. (2017). Pedagogical models of concordance use: correlations between concordance user preferences. Computer Assisted Language Learning30(3-4), 259-283.

Biber, D., Johansson, S., Leech, G., Conrad, S., Finegan, E., & Quirk, R. (1999). Longman grammar of spoken and written English. Harlow: Longman.

Biber, D., & Conrad, S. (2009). Register, genre, and style. Cambridge: Cambridge University Press.

Boulton, A., & Pérez-Paredes, P. (2014). ReCALL special issue: Researching uses of corpora for language teaching and learning. Editorial Researching uses of corpora for language teaching and learning. ReCALL26(2), 121-127.

Chomsky, N. (1965). Aspects of the Theory of Syntax. Cambridge, MA: MIT Press.

Cunningham, W. (1995a). The Portland Pattern Repository. Cunningham & Cunningham. Consultado el [dd/mm/aaaa] en Inc,.. http://www.c2.com/

Cunningham, W. (1995b). Tips For Writing Pattern Languages. Consultado el [dd/mm/aaaa] en http://www.c2.com/cgi/wiki?TipsForWritingPatternLanguages

DeLano, D.E. y Rising, L. (1997). Introducing Technology into the Workplace. Proceedings PLoP’97 Conference. Consultado el [dd/mm/aaaa] en http://hillside.net/plop/plop97/Proceedings/delano.pdf

Dudeney, G., Hockly, N., & Pegrum, M. (2013). Digital Literacies. Harlow: Pearson.

Ellis, P., Hunston, S. Manning, E. (1996). Grammar Patterns 1: Verbs (COBUILD). New York: Collins.

Flowerdew, L. (2015). Data-Driven learning and language learning theories. In Leńko- Agnieszka Szymańska, & Alex Boulton (eds.) Multiple Affordances in Language Corpora for Data-Driven Learning. Amsterdam: John Benjamins, pp. 15-36.

Fricke, A. y Voelter, M. (2000). SEMINARS: A Pedagogical Pattern Language about teaching seminars, [en línea]. Trabajo presentado en EuroPLoP 2000. Disponible en: http://www.voelter.de/publications/seminars.html [2008, 2 diciembre].

Novak, J.D.: Teoría y práctica de la educación. Alianza Universidad, Madrid, 1988. Pedagogical Patterns Project (2008), [en línea]. Disponible en: http://www.pedagogicalpatterns.org/ [2008, Enero]

O’keeffe, A., McCarthy, M., & Carter, R. (2007). From corpus to classroom: Language use and language teaching. Cambridge: Cambridge University Press.

Pegrum, M. (2016). Languages and literacies for digital lives. In Elenea Martín-Momnje, Izaskun Eloraz & Blanca García Riaza (eds) Technology-Enhanced Language Learning for Specialized Domains, pp. 9-22.

Basanta, C. P., & Martín, M. E. R. (2007). The application of data-driven learning to a small-scale corpus: using film transcripts for teaching conversational skills. Language and computers studies in practical linguistics61(1), 141-147.

Pérez-Paredes, P. (2010). Corpus linguistics and language education in perspective: Appropriation and the possibilities scenario. Corpus linguistics in language teaching. Bern: Peter Lang, 53-73.

Pérez-Paredes, P., & Díez Bedmar, B. (2010). Language corpora and the language classroom. Materiales de formación del profesorado de lengua extranjera Inglés. Murcia: Consejería de Educación, 1-48.

Pérez-Paredes, P., Sánchez-Tornel, M., Alcaraz Calero, J. M., & Jiménez, P. A. (2011). Tracking learners’ actual uses of corpora: guided vs non-guided corpus consultation. Computer Assisted Language Learning24(3), 233-253.

Sinclair, J. (1991). Corpus, concordance, collocation. Oxford: Oxford University Press.

Sinclair, J. (2003). Reading concordances: an introduction. Harlow: Pearson Longman.

Sinclair, J. & Mauranen, A. (2006). Linear unit grammar: Integrating speech and writing. Amsterdam: John Benjamins Publishing.

Zapata, M. (2005a). SEQUENCING OF CONTENTS AND LEARNING OBJECTS. RED. Revista de Educación a Distancia, número 13. Available: dd/mm/yy http://www.um.es/ead/red/13/

Zapata, M. (2005b). SEQUENCING OF CONTENTS AND LEARNING OBJECTS – part II. RED. Revista de Educación a Distancia, número 14. Available: http://www.um.es/ead/red/14/

Zapata, M. (2005,c). Secuenciación de contenidos y objetos de aprendizaje. RED. Revista de Educación a Distancia, número monográfico II. Consultado el 9 de Febrero, 2005, en http://www.um.es/ead/red/M2/zapata47.pdf

Zapata-Ros, M. (2015). Pensamiento computacional: Una nueva alfabetización digital. RED. Revista de Educación a Distancia. Número 46.  15 de Septiembre de 2015. Consultado el (dd/mm/aa) en http://www.um.es/ead/red/46

Bibliografía básica de referencia en computación

Gamma, E. et al. (1995). Design Patterns. Elements of Reusable Object-Oriented Software – Gamma, Helm, Johnson, Vlissides – Addison Wesley

Gamma, E. et al. (1995). Design Patterns: Elements of Reusable Object Oriented Software. Erich Gamma, Richard Helm, Ralph Johnson, John Vlissides, http://www.cs.up.ac.za/cs/aboake/sws780/references/patternstoarchitecture/Gama-DesignPatternsIntro.pdf

Gamma, E. et al. (2006) Patrones de diseño: elementos de software orientado a objetos reutilizables. Addison-Wesley.

Buschmann et al. (1995) A System of Patterns– Wiley

Larman, (1999) UML y Patrones. Introducción al análisis y diseño orientado a objetos – – Prentice Hall.

Brown, et al. (2004). AntiPatterns. Refactoring Software, Architectures and Projects in Crisis – Wiley.

 

Referencias en la web

The Portland Pattern Repository. Cunningham & Cunningham, Inc, , de Ward Cunningham.. http://www.c2.com/

Tips For Writing Pattern Languages, , de Ward Cunningham. http://www.c2.com/cgi/wiki?TipsForWritingPatternLanguages

Architypes.net – proyecto de lenguajes de patrón comunitarios de arquitectura http://www.architypes.net/pattern/categorizations

Liberating Voices! Proyecto de lenguajes de patrón, http://www.publicsphereproject.org/patterns/

El sitio de Christopher Alexander patternlanguage.com http://www.patternlanguage.com/

Ensayo sobre los lenguajes de patrón y su uso en el diseño urbano. Christopher Alexander . http://www.gardenvisit.com/history_theory/library_online_ebooks/architecture_city_as_landscape/christopher_alexanders_city_not_tree

Miguel Zapata Ros

Profesor Honorario en el Centro de Formación y Desarrollo Profesional de la Universidad de Murcia. Investigador en el Instituto Interuniversitario de Economía Internacional. Profesor Externo en la Universidad de Alcalá de Henares, miembro del programas de doctorado en Ingeniería de la Información y del Conocimiento, distinguido con Mención hacia la Excelencia por el Ministerio de Educación (Referencia: MEE2011-0159). Editor de RED, Revista de Educación a Distancia y de Docencia Universitaria. Miembro de INTCODE, agencia consultiva de ONU sobre educación a distancia, y representante en la sede de New York. Doctor en Ingeniería Informática.

More Posts - Website

Follow Me:
TwitterFacebookLinkedInGoogle Plus

Patrones de Pensamiento Computacional y corpus lingüísticos: el aprendizaje de lenguas con datos lingüísticos (I)

Pascual Pérez-Paredes, University of Cambridge.

 

 

 

Miguel Zapata-Ros, Universidad de Alcalá

 

1. Introducción a los patrones pedagógicos

 

En este trabajo abordaremos el problema general de cómo favorecer la comunicación y el trabajo colaborativo entre educadores, diseñadores instruccionales y otros profesionales vinculados al dominio del conocimiento que constituye el pensamiento computacional en el contexto de aprendizaje de lenguas. Para ello abordaremos el problema desde la experiencia, la teoría desarrollada y la práctica que ofrecen los patrones, hasta ahora desarrollados en los ámbitos de la computación, de la arquitectura y el urbanismo, la lingüística de corpus y, más recientemente, el aprendizaje en entornos conectados y ubicuos de aprendizaje.

 

El concepto de patrón y su práctica en estos dominios del conocimiento se aplica a estructuras de información que permiten resumir y comunicar la experiencia acumulada y la resolución de problemas, tanto en la práctica como en el diseño, en actividades específicas de esos ámbitos de desarrollo y de trabajo. De esta forma un patrón puede entenderse como una plantilla, una guía, un conjunto de directrices o de normas de diseño. Los patrones pueden entenderse desde dos perspectivas: Desde las técnicas y teorías especificas del ámbito de problemas en el que trabajemos, en este caso desde el ámbito del Pensamiento Computacional, o bien desde la perspectiva de los lenguajes y las técnicas computacionales, no solo hipertextuales, que permiten el desarrollo de patrones. Un patrón pues permite la adquisición de “buenas prácticas” y sirve como referencia para nuevas aplicaciones y casos. El almacenamiento y proceso sistemático de estos patrones permite construir corpus de información o bases de datos de referencias documentadas a las que los profesores, diseñadores instruccionales, profesionales o investigadores pueden dirigirse para sus trabajos específicos.

Los patrones de e-learning tienen su origen en los patrones de diseño o en lo patrones en general para aplicar en un campo cualquiera de la actividad de creación y de desarrollo, donde se quiere optimizar el trabajo intelectual haciendo más eficaz el trabajo empleado. Originalmente los patrones de diseño se deben al arquitecto Christopher Alexander. Posteriormente, estas técnicas se han adoptado en la ingeniería de software, desde donde se han incorporado al diseño instruccional tecnológico. Sin embargo, es conveniente atribuirle un sentido instruccional utilizando lo que se pueda de este ámbito como del de las teorías del aprendizaje.

Podríamos plantearnos pues qué son en esencia los patrones. Un patrón (Alexander et al., 1977 p X) “describe un problema que ocurre una y otra vez en nuestro entorno y, a continuación, describe el núcleo de la solución de ese problema, de tal manera que el usuario puede utilizar esta solución un millón de veces más, sin tener que hacerlo de la misma manera dos veces”. Igualmente podemos plantearnos qué son los patrones instruccionales, aunque el término igualmente acuñado puede ser el de patrones pedagógicos (Pedagogical Patterns Project, 2008).

En esencia un patrón resuelve un problema. Este problema debe ser una naturaleza tal que se repita en distintos contextos. En el ámbito del pensamiento computacional tenemos muchos problemas de esta naturaleza, de hecho constituye la esencia de su naturaleza. Son, por ejemplo, los relacionados con la iteración, el pensamiento divergente o la metacognición.

A este planteamiento se puede añadir el de carácter general que se desarrolla para la elaboración de los patrones pedagógicos. No en balde la perspectiva del pensamiento computacional es una perspectiva pedagógica. El Pedagogical Patterns Project (2008) establece una clasificación de los patrones pedagógicos en tres categorías:

  • Aprendizaje activo. Un patrón de este tipo se basaría en un conjunto de actividades que involucren a los alumnos de manera activa. El patrón se construye utilizando algún problema concreto que a menudo pueden ocurrir en un entorno de enseñanza y que maximice la atención del alumno por estar implicado en la resolución, o por sus experiencias pasadas o presentes, por su carácter real etc.
  • Aprendizaje experimental. Un patrón de este tipo se basaría en lo que es necesario aprender mediante la experimentación o bien mediante las experiencias pasadas de los alumnos estudiantes.
  • Enseñando desde diferentes perspectivas. Un patrón de este tipo se basaría en la bondad de los aprendizajes que supone por los alumnos el estudio de los recursos educativos desde diferentes perspectivas, tratando los siguientes problemas: preparar al estudiante para el mundo real, hacer uso de diferentes perspectivas por pares (por ejemplo, utilizando personal profesional de empresa).

A lo anterior podríamos añadir “aprendizaje autónomo” y “aprendizaje basado en problemas”. En esta catalogación podríamos estudiar, de hecho, dejamos esa puerta abierta a los patrones de aprendizaje divergente, patrones de aprendizaje creativo y a toda una serie de patrones cada uno de los cuales tiene que ver con una forma de aprendizaje asociada a un elemento del pensamiento computacional

La naturaleza de estos problemas, los que son objeto de patrones, es, como vemos, que se pueden repetir de forma diferente (en partes no sustanciales) cada vez. Y cuando aparece un problema de este tipo conlleva consideraciones a tener en cuenta para tomar las decisiones en la selección del procedimiento a utilizar para la resolución. Estas consideraciones son las que influyen en los expertos a optar por una u otra resolución. Son las consideraciones que el patrón presenta para que las tengamos en cuenta en nuestra elección y que nos pueden acercar o alejar de una buena solución al problema.  Un patrón presenta un problema y una solución. O bien el criterio de la solución. De tal forma que los criterios que deben aplicarse deben hacer que la solución sea la más acertada para el problema planteado.

 

2. El aprendizaje de lenguas con datos lingüísticos: lingüística de corpus y DDL

La utilización de patrones pedagógicos basados en el pensamiento computacional para la adquisición de lenguas nos permite asomarnos a una concepción del lenguaje y de la comunicación que es el resultado de la evolución de diversas técnicas analíticas de índole cuantitativa que se han desarrollado aproximadamente en los últimos 40 años. En concreto, el aprendizaje con corpus lingüísticos (Data Driven Learning) es un área que en la actualidad atrae a un importante número de investigadores procedentes de la lingüística aplicada, la lingüística de corpus y la adquisición de segundas lenguas.

En los siguientes párrafos trazaremos una ruta que nos permita entender cómo la utilización de corpus lingüísticos ha favorecido la formulación de una teoría lingüística que explica el uso de la lengua, su análisis y aprendizaje como la intersección entre registros (tipo de texto, p.ej. ficción, texto periodístico, manual académico, etc.), función comunicativa (intención del hablante, p.ej. describir, explicar, etc.) y el uso de patrones lingüísticos (patterns) de índole léxico-gramatical. Estos últimos constituyen la parte formal en la que se perfeccionan las elecciones sintagmáticas y paradigmáticas de los hablantes y que, como veremos más adelante, no forman generalmente parte de los currículos oficiales enseñanza de lenguas (Pérez-Paredes, 2010).

 

2.1 Primera aproximación a Data Driven Learning (DDL): de la teoría lingüística a la lingüística aplicada al aprendizaje de lenguas

 

La lingüística del Corpus, así como los métodos de investigación que se asocian a esta ciencia lingüística, se utilizan con la finalidad de profundizar en lo que el lingüista John Sinclair (Sinclair, 1992, 2003) describió como nuevas unidades de significado. Estás unidades sobrepasan la dicotomía que estableció Saussure entre significado y significante a nivel de palabra y, a grandes rasgos, cuestionan el nivel léxico de análisis, la palabra si se quiere, como unidad fundamental de análisis del uso de la lengua. La gran mayoría de lingüistas del corpus trabajan con la hipótesis de que los niveles de análisis léxico y gramatical están tan intrínsecamente unidos que no es posible entender y describir fenómenos asociados al uso de la lengua sin utilizar ambos ámbitos de análisis de forma integrada en el análisis de patrones lingüísticos. Esta forma de entender la lengua (Sinclair & Mauranen, 2006) ha ido cobrando forma y ganando adhesiones, en gran parte gracias a la utilización métodos de análisis cuantitativos que abordan la relación entre ambos ámbitos.

Durante las últimas décadas, la lingüística del corpus ha demostrado que el uso de la lengua presenta una tendencia muy marcada a la utilización de patrones léxico gramaticales que se repiten de forma sistemática en diferentes registros comunicativos, por ejemplo, por citar dos registros bien diferentes, en conversaciones telefónicas con conocidos o en artículos de investigación. El análisis del uso de la lengua basado en datos ha supuesto una revolución en la lingüística de corte Chomskyano, la cual, favorecía una concepción generativista de la lengua: “a generative grammar must be a system of rules that can iterate to generate an indefinitely large number of structures. This system of rules can be analyzed into the three major components […] the syntactic component of a grammar must specify, for each sentence, a deep structure that determines its semantic interpretation and a surface structure that determines its phonetic interpretation” (Chomsky, 1965: 15-6). En esta gramática generativista de la lengua, los patrones de uso léxico-gramaticales y su frecuencia no jugaban papel alguno, ya que el objeto de análisis del lingüista recaía en el estudio de las estructuras profundas que condicionan la producción lingüística accesible mediante nuestros sentidos a los interlocutores en un proceso comunicativo determinado.

Biber y Conrtad (2009) sostienen que la variación lingüística es sistemática y que se articula en torno a diferentes funciones que se perfeccionan en diferentes tipos de registros lingüísticos. Por ejemplo, gracias al estudio de grandes cantidades de datos lingüísticos, sabemos que, en la lengua inglesa, el uso de pronombres es estadísticamente más frecuente en conversaciones que en otros registros (p.ej. inglés académico o en lenguaje periodístico). La conversación tiene lugar en contextos donde los interlocutores comparten tiempo y referencias espaciales, por lo que podemos hablar de la existencia de un contexto compartido que facilita la utilización de, entre otros, deícticos y formas pro-nominales. Este hecho condiciona las oportunidades de uso de modificadores en el sintagma nominal, ya que los sintagmas preposicionales que suelen aparecer en posición post nominal lo hacen más frecuentemente detrás de núcleos sintagmáticos ocupados por nombres en vez de por pronombres (Biber et al., 1999). Este ejemplo, pese a su sencillez, muestra que los registros (conversación, registro académico, periodístico, etc) presentan una orientación funcional que a su vez condiciona las posibilidades léxico gramaticales que los usuarios del lenguaje tienen a su disposición cuándo generan y crean contenidos, esto es, cuando se comunican.

En la década de los 90, John Sinclair y su equipo desarrollaron materiales para el aprendizaje de lenguas en los que se describían los patrones (patterns) utilizados en la lengua inglesa procedentes del Bank of English[1] y desarrollados junto al diccionario Cobuild en la Universidad de Birmingham. Citaremos aquí un ejemplo de estos patrones lingüísticos con la finalidad de que el lector entienda con precisión el concepto que nos ocupa. Tomemos la siguiente estructura gramatical (Ellis, Hunston & Manning, 1996):

Figura 1. Un ejemplo de patrón léxico gramatical extraído del corpus Bank of English.

Estamos ante una secuencia de verbo (1) seguido de un sintagma proposicional (2) complementado a su vez por un sintagma nominal cuyo núcleo es un grupo nominal compuesto (3). Un ejemplo de esta secuencia sería (She) alternated (1) between (2) anger and depression (3). Al examinar todos los ejemplos de esta secuencia en el corpus, los autores encontraron que la posición (1) está sistemáticamente ocupada por un grupo muy restringido de verbos que, a su vez, expresan un rango de significados que determinan que la posición (3) se vea ocupada por un rango limitado de nombres. En la Figura 2 el lector podrá apreciar los grupos de verbos en la posición (1) y sus significados:

Figura 2. Grupos verbales que ocupan la posición (1) en la secuencia ejemplificada.

Los verbos que aparecen en la posición (1) se ocupan de relaciones entre personas o cosas con la finalidad de ayudar, diferenciar, elegir o informar sobre un rango de posibilidades o acciones. Por cuestiones de espacio, en la Figura 2 nos centramos en el tercer grupo de verbos (alternate group). Según los datos extraídos del corpus, los verbos que ocupan esta posición son alternate, flit, oscillate, vacillate y waver. Cuando van seguidos de la preposición between y un nombre en plural, el hablante quiere exponer la existencia de una alternativa que, generalmente, implica la aceptación de un escenario negativo en el que se ha de tomar una decisión. Los siguientes dos ejemplos extraídos del Corpus of Contemporary American English (COCA)[2] ilustran esta secuencia con el verbo waver:

COCA:1998:ACAD

AfricaToday   rather to reassure us of the solidarity of its foundations. While former times constantly wavered between lofty ideologies building international castles in the air, and coarse scepticism or even)

COCA:1995:FIC

It seemed to take longer to drive back. A sobering interlude where Kelsey wavered between tears and anger. Most of the anger died by the time she pulled)

 

Curiosamente, en nuestra búsqueda encontramos que la mayoría de usos recientes de esta secuencia utilizan nombres abstractos en vez de nombres comunes. Sin duda, no es el lugar para indagar de forma más extensa en esta observación, pero el lector se hará cargo de las posibilidades que ofrece la utilización de este tipo de datos estructurados que nos permite conocer el tipo de registro usado (ficción, lenguaje periodístico), el medio usado (oral, escrito), la variedad (en este caso inglés americano), año de producción, etc. El siguiente ejemplo de uso también procede del corpus COCA:

COCA:2015:FIC

Again there were the Red Gross lines, again the harried crowd wavered between capitulation and outrage. We looked out on our unfamiliar neighbors, all of)

Ahora bien, ¿cómo llega un aprendiz a la Figura 2 partiendo del input en la Figura 1? Desde el aprendizaje de segundas lenguas, se proponen teorías (Usage-based theory) que sostienen que el uso de lenguaje y el conocimiento que poseemos del mismo están condicionados tanto por la exposición al uso de la lengua como por procesos cognitivos de índole general (domain general), no necesariamente específicos y singulares. Se sostiene que el aprendizaje de una lengua, bien sea la lengua materna como una segunda o una tercera lengua, depende del input recibido por el aprendiz o hablante. En este sentido estamos ante una teoría que cuestiona los postulados fundamentales de la lingüística Chomsky en lo concerniente a la lengua materna. No es este el lugar para abundar en esta teoría, pero basté citar aquí las contribuciones de la gramática de construcciones o las contribuciones de la lingüística cognitiva a la semántica de las construcciones. La utilización de actividades DDL pueden permitir al aprendiz de lenguas acceder a un conocimiento que de forma intuitiva puede llegar a poseer un hablante nativo de la lengua en al menos algunos de los numerosos registros de uso de la lengua.

 

2.2. DDL y pensamiento computacional

En pleno siglo XXI, en la era del big data, la utilización de datos lingüísticos en forma de corpus nos abre una puerta al estudio y comprensión de los usos comunicativos de una forma nunca antes contemplada en la enseñanza reglada de idiomas. La utilización de herramientas del Corpus para la enseñanza y el aprendizaje de lenguas comenzó en la década de los 90 (Boulton & Pérez-Paredes, 2014), cuando se acuña el término Data-driven-learning (DDL). Mediante el mismo, los estudiantes pueden acceder a un conocimiento sobre el uso de la L2 que, por diversos motivos, no suele formar parte del currículo oficial en la enseñanza de lenguas (Pérez-Paredes, 2010). O’Keeffe, McCarthy & Carter (2007:21) resumen así algunos de los beneficios del uso de corpus lingüísticos, en general, y de DDL, en particular:

As well as providing an empirical basis for checking our intuitions about language, corpora have also brought to light features about language which had eluded our intuition […] In terms of what we actually teach, numerous studies have shown us that the language presented in textbooks is frequently still based on intuitions about how we use language, rather than actual evidence of use. It seems that language corpora can help us discover that which apparently appears undisputed in prescriptive or in intuition-led textbooks and other reference materials.

 

DDL utiliza actividades inductivas (Flowerdew, 2015) mediante las cuales los aprendices se convierten en investigadores, en aprendices activos en busca de patrones lingüísticos mediante el acceso a grandes cantidades de información.  Este enfoque activo contrasta con las metodologías más tradicionales, deductivas, basadas en el conocimiento conceptual (Pérez Basanta & Rodríguez Martín, 2007: 146-7).  Según Pérez-Paredes & Díez Bedmar (2010), para usar DDL el estudiante debe estar familiarizado al menos con seis conceptos fundamentales en la lingüística de corpus, a saber:

  • ¿Qué es un corpus lingüístico? ¿Qué supone buscar información en él? ¿En qué forma es representativo de un idioma o de una variedad?
  • Interfaz de búsqueda o concordanciero. El interfaz de búsqueda suele ser un servicio web que nos permite acceder al corpus y extraer información del mismo.
  • Listado de palabras. En un corpus, el listado de palabras es el listado de los elementos léxicos que aparecen el mismo junto a su frecuencia relativa.
  • N-grams. Los N-grams son agrupaciones lineales de términos léxicos que aparecen de forma frecuente en un determinado corpus. Pueden estar constituidos por n elementos, aunque frecuentemente el rango se establece entre 3 y 5.
  • Líneas de concordancia o concordancias. Es el resultado de una búsqueda

usando un concordanciero. Los elementos buscados son los nodos que aparecen centrados en la pantalla y a su izquierda y derecha encontramos las palabras que acompañan al nodo en la cadena sintagmática.

  • Dado un nodo determinado, las colocacionesson las palabras que estadísticamente tienden a aparecer conjuntamente con él. Dicho de otra forma, las colocaciones son las agrupaciones de elementos léxicos que se atraen de forma significativa.

 

En su forma más básica, los aprendices buscan un término léxico en un corpus mediante un concordanciero, obtienen una serie de líneas de concordancia, las examinan, las interpretan, formulan hipótesis sobre el uso de lengua y cómo las relaciones entre elementos discretos y significados se acoplan, vuelven a buscar más datos en el corpus, vuelven a examinar las líneas de concordancia y finalmente llegan a una conclusión sobre el funcionamiento de la lengua que implica tanto el comportamiento de elementos léxicos discretos (palabras) como patrones lingüísticos en cadenas sintagmáticas de mayor longitud. La Figura 3 ilustra este proceso de trabajo según Sinclair (2003) y Pérez-Paredes et al. (2011):

Figura 3. Etapas de la consulta de un corpus durante actividades de DDL (Sinclair, 2003; Pérez-Paredes et al., 2011).

El citado proceso implica que el aprendiz aborde de forma autónoma una actividad inductiva con un gran potencial para un aprendizaje del uso de la lengua más próximo al conocimiento intuitivo de un hablante nativo que al conocimiento declarativo que se adquiere en las clases de idioma. Tomemos el ejemplo de waver, visto con anterioridad. En la Figura 4 podemos ver cómo la información que nos ofrece un diccionario en línea (A) es muy limitada y se circunscribe a diversos sentidos de la palabra tanto como verbo como nombre. Un solo ejemplo de uso se ofrece para cada una de las acepciones. Un aprendiz de lengua con las herramientas adecuadas podría acceder a una comprensión más profunda de los contextos y frecuencia de usos en los que este término léxico se utiliza. En (B), podemos ver cómo en el corpus de inglés americano contemporáneo COCA (aprox. >>500 millones de palabras) podemos obtener información sobre los registros de usos (lenguaje oral, académico, etc.) así como sobre la diacronía de estos usos. En el caso que nos ocupa, waver es mucho más frecuente en lenguaje literario que, por ejemplo, en lenguaje oral. En (C) usamos un corpus aún mayor, NOW, un corpus de noticias en inglés recopilado desde 2010 y compuesto por 5500 millones de palabras. Podemos apreciar las colocaciones de esta palabra y comprobar cómo aparece, generalmente, en contextos de negación en el sintagma verbal. En (D), finalmente, podemos acceder a lagunas de estas líneas de concordancia donde waver aparece con not y en donde podemos apreciar que aparece frecuentemente seguido de las preposiciones in y on. El lector habrá apreciado que ninguno de estos datos aparecía en el diccionario consultado (A).

           

Figura 4. Búsqueda de waver en un diccionario en línea (A), el corpus COCA (B) y en el corpus NOW (C y D).

Pérez-Paredes (2010) y Ballance (2017) han apuntado que uno de los principales retos que presenta el uso de DDL es que se utilizan herramientas propias de la lingüística del corpus que precisan de las habilidades de un experto lingüista en al menos las fases (2) y (3) glosadas en la Figura 3. Pérez-Paredes (2010: 55) sostiene que la utilización de DDL en contextos de aula no se ha visto acompañada de un esfuerzo pedagógico que adaptase las etapas de consulta y confirmación de hipótesis expuestas en la Figura 3:

It does not strike us as a surprise that the classroom-based research which reports [the use of DDL] applications has paid very little attention to the pedagogic transfer which is essential in the adaptation of methods and corpora which were devised for language research purposes.

En el siguiente apartado presentaremos el diseño de un patrón pedagógico aplicado al uso de DDL para el aprendizaje de lenguas que persigue especificar cada una de las tareas implicadas en el trabajo con datos lingüísticos en el contexto del aprendizaje con datos.

[1] For information on the Bank of English, please visit the following URL: http://www.titania.bham.ac.uk/docs/svenguide.html

[2] URL: https://corpus.byu.edu/coca/

Pérez-Paredes, P. y Zapata-Ros, M. (2018). Patrones de Pensamiento Computacional y corpus lingüísticos: el aprendizaje de lenguas con datos lingüísticos (I) (Preprint de capítulo de libro). RED de Hypotheses.  https://red.hypotheses.org/1025

Referencias

 

Alexander, C. (1977). A Pattern Language: Towns, Buildings, Construction. Oxford University Press.

Alexander, C., Ishikawa, S. y Silverstein, M. (1977). A Pattern Language. Oxford University Press. http://library.uniteddiversity.coop/Ecological_Building/A_Pattern_Language.pdf

Ausubel, D. P. (1963). The psychology of meaningful verbal learning; an introduction to school learning. New York: Grune & Stratton.

Ballance, O. J. (2017). Pedagogical models of concordance use: correlations between concordance user preferences. Computer Assisted Language Learning30(3-4), 259-283.

Biber, D., Johansson, S., Leech, G., Conrad, S., Finegan, E., & Quirk, R. (1999). Longman grammar of spoken and written English. Harlow: Longman.

Biber, D., & Conrad, S. (2009). Register, genre, and style. Cambridge: Cambridge University Press.

Boulton, A., & Pérez-Paredes, P. (2014). ReCALL special issue: Researching uses of corpora for language teaching and learning. Editorial Researching uses of corpora for language teaching and learning. ReCALL26(2), 121-127.

Chomsky, N. (1965). Aspects of the Theory of Syntax. Cambridge, MA: MIT Press.

Cunningham, W. (1995a). The Portland Pattern Repository. Cunningham & Cunningham. Consultado el [dd/mm/aaaa] en Inc,.. http://www.c2.com/

Cunningham, W. (1995b). Tips For Writing Pattern Languages. Consultado el [dd/mm/aaaa] en http://www.c2.com/cgi/wiki?TipsForWritingPatternLanguages

DeLano, D.E. y Rising, L. (1997). Introducing Technology into the Workplace. Proceedings PLoP’97 Conference. Consultado el [dd/mm/aaaa] en http://hillside.net/plop/plop97/Proceedings/delano.pdf

Dudeney, G., Hockly, N., & Pegrum, M. (2013). Digital Literacies. Harlow: Pearson.

Ellis, P., Hunston, S. Manning, E. (1996). Grammar Patterns 1: Verbs (COBUILD). New York: Collins.

Flowerdew, L. (2015). Data-Driven learning and language learning theories. In Leńko- Agnieszka Szymańska, & Alex Boulton (eds.) Multiple Affordances in Language Corpora for Data-Driven Learning. Amsterdam: John Benjamins, pp. 15-36.

Fricke, A. y Voelter, M. (2000). SEMINARS: A Pedagogical Pattern Language about teaching seminars, [en línea]. Trabajo presentado en EuroPLoP 2000. Disponible en: http://www.voelter.de/publications/seminars.html [2008, 2 diciembre].

Novak, J.D.: Teoría y práctica de la educación. Alianza Universidad, Madrid, 1988. Pedagogical Patterns Project (2008), [en línea]. Disponible en: http://www.pedagogicalpatterns.org/ [2008, Enero]

 

O’keeffe, A., McCarthy, M., & Carter, R. (2007). From corpus to classroom: Language use and language teaching. Cambridge: Cambridge University Press.

Pegrum, M. (2016). Languages and literacies for digital lives. In Elenea Martín-Momnje, Izaskun Eloraz & Blanca García Riaza (eds) Technology-Enhanced Language Learning for Specialized Domains, pp. 9-22.

Basanta, C. P., & Martín, M. E. R. (2007). The application of data-driven learning to a small-scale corpus: using film transcripts for teaching conversational skills. Language and computers studies in practical linguistics61(1), 141-147.

Pérez-Paredes, P. (2010). Corpus linguistics and language education in perspective: Appropriation and the possibilities scenario. Corpus linguistics in language teaching. Bern: Peter Lang, 53-73.

Pérez-Paredes, P., & Díez Bedmar, B. (2010). Language corpora and the language classroom. Materiales de formación del profesorado de lengua extranjera Inglés. Murcia: Consejería de Educación, 1-48.

Pérez-Paredes, P., Sánchez-Tornel, M., Alcaraz Calero, J. M., & Jiménez, P. A. (2011). Tracking learners’ actual uses of corpora: guided vs non-guided corpus consultation. Computer Assisted Language Learning24(3), 233-253.

Sinclair, J. (1991). Corpus, concordance, collocation. Oxford: Oxford University Press.

Sinclair, J. (2003). Reading concordances: an introduction. Harlow: Pearson Longman.

Sinclair, J. & Mauranen, A. (2006). Linear unit grammar: Integrating speech and writing. Amsterdam: John Benjamins Publishing.

Zapata, M. (2005a). SEQUENCING OF CONTENTS AND LEARNING OBJECTS. RED. Revista de Educación a Distancia, número 13. Available: dd/mm/yy http://www.um.es/ead/red/13/

Zapata, M. (2005b). SEQUENCING OF CONTENTS AND LEARNING OBJECTS – part II. RED. Revista de Educación a Distancia, número 14. Available: http://www.um.es/ead/red/14/

Zapata, M. (2005,c). Secuenciación de contenidos y objetos de aprendizaje. RED. Revista de Educación a Distancia, número monográfico II. Consultado el 9 de Febrero, 2005, en http://www.um.es/ead/red/M2/zapata47.pdf

Zapata-Ros, M. (2015). Pensamiento computacional: Una nueva alfabetización digital. RED. Revista de Educación a Distancia. Número 46.  15 de Septiembre de 2015. Consultado el (dd/mm/aa) en http://www.um.es/ead/red/46

 

Bibliografía básica de referencia en computación

Gamma, E. et al. (1995). Design Patterns. Elements of Reusable Object-Oriented Software – Gamma, Helm, Johnson, Vlissides – Addison Wesley

Gamma, E. et al. (1995). Design Patterns: Elements of Reusable Object Oriented Software. Erich Gamma, Richard Helm, Ralph Johnson, John Vlissides, http://www.cs.up.ac.za/cs/aboake/sws780/references/patternstoarchitecture/Gama-DesignPatternsIntro.pdf

Gamma, E. et al. (2006) Patrones de diseño: elementos de software orientado a objetos reutilizables. Addison-Wesley.

Buschmann et al. (1995) A System of Patterns– Wiley

Larman, (1999) UML y Patrones. Introducción al análisis y diseño orientado a objetos – – Prentice Hall.

Brown, et al. (2004). AntiPatterns. Refactoring Software, Architectures and Projects in Crisis – Wiley.

 

Referencias en la web

The Portland Pattern Repository. Cunningham & Cunningham, Inc, , de Ward Cunningham.. http://www.c2.com/

Tips For Writing Pattern Languages, , de Ward Cunningham. http://www.c2.com/cgi/wiki?TipsForWritingPatternLanguages

Architypes.net – proyecto de lenguajes de patrón comunitarios de arquitectura http://www.architypes.net/pattern/categorizations

Liberating Voices! Proyecto de lenguajes de patrón, http://www.publicsphereproject.org/patterns/

El sitio de Christopher Alexander patternlanguage.com http://www.patternlanguage.com/

Ensayo sobre los lenguajes de patrón y su uso en el diseño urbano. Christopher Alexander . http://www.gardenvisit.com/history_theory/library_online_ebooks/architecture_city_as_landscape/christopher_alexanders_city_not_tree

Miguel Zapata Ros

Profesor Honorario en el Centro de Formación y Desarrollo Profesional de la Universidad de Murcia. Investigador en el Instituto Interuniversitario de Economía Internacional. Profesor Externo en la Universidad de Alcalá de Henares, miembro del programas de doctorado en Ingeniería de la Información y del Conocimiento, distinguido con Mención hacia la Excelencia por el Ministerio de Educación (Referencia: MEE2011-0159). Editor de RED, Revista de Educación a Distancia y de Docencia Universitaria. Miembro de INTCODE, agencia consultiva de ONU sobre educación a distancia, y representante en la sede de New York. Doctor en Ingeniería Informática.

More Posts - Website

Follow Me:
TwitterFacebookLinkedInGoogle Plus