El profesor de literatura toma un cuestionario sobre "El pez en el agua" a un aula de 30 alumnos. Todas las herramientas digitales están a disposición de sus pupilos. En pocos minutos, los modelos de inteligencia artificial (IA) generativa desglosan los hitos clave de la biografía de Mario Vargas Llosa: desde su infancia hasta su fugaz carrera política, pasando por su despunte como autor del boom latinoamericano. ¿El resultado? Todos aprueban. Medio salón obtiene el preciado 20 y la nota más baja es 16.
Una semana después, el maestro reaparece con varias hojas: control sorpresa. Ya no hay preguntas para marcar. Esta vez, todo consiste en argumentar opiniones sobre las fuentes de inspiración del Nobel peruano y la problemática relación con su padre. Se oyen algunas quejas y, en la siguiente clase, el resultado es revelador: solo cinco de los 30 alumnos obtuvieron más de 16. Más de la mitad recibió una nota desaprobatoria.
Inteligencia artificial en la educación: ¿resolver problemas significa aprender?
¿Qué ocurrió entonces? O, mejor dicho, ¿puede un estudiante resolver correctamente un problema sin haber aprendido realmente cómo hacerlo? J. Kim Vandiver, profesor del Massachusetts Institute of Technology (MIT) desde 1975, advierte que esta contradicción comienza a manifestarse con el uso masivo de la IA en las aulas.
El ingeniero mecánico alerta que incluso algunos estudiantes del MIT recurren prematuramente a esta herramienta tecnológica para resolver sus ejercicios y luego muestran dificultades para aplicar los conocimientos por cuenta propia. Sin embargo, la solución está lejos de pasar por la prohibición de la IA. Más bien, exige reconsiderar el papel que debe desempeñar en el proceso de enseñanza.
El valor del aprendizaje práctico en la era digital
Tras trabajar con Harold “Doc” Edgerton, pionero de la fotografía de alta velocidad, Vandiver fundó en 1992 el Edgerton Center, un espacio dedicado a promover el aprendizaje práctico mediante la experimentación y la construcción de prototipos. Desde entonces, su reflexión sobre el futuro de la enseñanza académica ha ido más allá de la incorporación de nuevas tecnologías. También abarca la necesidad de revisar cómo se enseña, qué habilidades deberían priorizarse y hasta qué punto los métodos tradicionales de evaluación permiten comprobar si una persona realmente aprende.
Durante su reciente visita al Perú para participar en Next Move, evento organizado por la Universidad de Ingeniería y Tecnología (UTEC) en el marco de su 15.º aniversario, Vandiver conversó con Sectoriales Tech sobre los riesgos de delegar el razonamiento a la IA y la posibilidad de implementar modelos de aprendizaje práctico (hands-on learning) en instituciones peruanas con recursos limitados.
Actualmente, la inteligencia artificial puede resolver en segundos problemas que antes requerían horas de razonamiento. ¿Qué habilidades corren el riesgo de perder los estudiantes cuando delegan ese esfuerzo intelectual a la IA?
Ya hemos experimentado esta situación en el MIT. Cuando los estudiantes tienen acceso a la inteligencia artificial y les asignamos un problema práctico, quizá de física o ingeniería química, observamos que recurren demasiado pronto a sus teléfonos para obtener las respuestas mediante un agente de IA.
Luego, cuando les tomamos un examen un par de semanas después, no pueden resolver los problemas. Eso significa que, en realidad, no aprendieron el contenido.
Creo que la clave del aprendizaje está en que los estudiantes se enfrenten a problemas difíciles y se esfuercen por comprenderlos verdaderamente. La inteligencia artificial hace que todo sea demasiado fácil y, al evitar ese esfuerzo, no terminan aprendiendo a largo plazo. Por eso, debemos colocarlos en situaciones en las que necesiten dedicar tiempo a pensar profundamente, en lugar de limitarse a buscar una respuesta.
¿Podría brindarnos algunos ejemplos de cómo se puede desafiar realmente a los estudiantes?
Soy un firme defensor del learning by doing, o aprender haciendo, y del aprendizaje basado en problemas. Cuando un profesor explica un concepto científico, el estudiante puede escucharlo y después olvidarlo. En cambio, cuando construye un objeto o realiza una actividad con sus propias manos, pone en marcha diferentes procesos cerebrales que contribuyen a consolidar lo aprendido.
Hay una antigua frase atribuida a Confucio que he modificado un poco. Dice algo así: “Escucho y olvido. Hago y recuerdo”. Y yo le agrego una parte: “Enseño y comprendo”. Por eso, si realmente quieres aprender algo, enséñaselo a otra persona.
En el Edgerton Center, usted ha promovido el aprendizaje mediante la experimentación y el fracaso. ¿Cómo pueden los educadores evitar que la inteligencia artificial prive a los estudiantes de los errores y dificultades necesarios para desarrollar su propio criterio?
Me gusta pensar que la inteligencia artificial ya es inevitable y que lo será todavía más en el futuro. Estará disponible prácticamente en todas partes.
Sin embargo, queremos que los estudiantes sigan aprendiendo de una manera que les permita recordar y aplicar los conocimientos adquiridos. Hace poco, un colega me dijo algo interesante: “Piensa en la inteligencia artificial como un miembro más del equipo”. Creo que así es como deberíamos abordar la educación de ahora en adelante.
No se trata de prohibir la inteligencia artificial, sino de enseñar a utilizarla para resolver problemas y estimular la creatividad. Deberíamos recurrir a ella para obtener metodologías o información, pero manteniendo a la persona en el centro del proceso y de las decisiones críticas.
Después de más de tres décadas promoviendo el aprendizaje práctico en el MIT, ¿qué evidencias demuestran que este enfoque desarrolla habilidades que los métodos tradicionales de enseñanza no consiguen fortalecer con la misma efectividad?
En el Edgerton Center tenemos un programa educativo dedicado a la enseñanza de la biología molecular. Estamos hablando de algo que no se puede observar directamente: moléculas diminutas que intervienen en los procesos de producción de proteínas.
Tenemos una lección práctica en la que los estudiantes construyen un modelo de ADN. Después, utilizando sus manos, reproducen el proceso mediante el cual la información del ADN se copia en el ARN mensajero, también conocido como ARNm.
Posteriormente, esa cadena de ARN mensajero se decodifica para determinar el orden en que deben ensamblarse los aminoácidos que forman una proteína.
Se puede leer sobre todo ese proceso en un libro. También se puede escuchar a alguien explicarlo, pero quizá no se consiga comprenderlo por completo. Sin embargo, si se construye el modelo y reproduce el proceso de ensamblaje de una proteína siguiendo las instrucciones codificadas en el ADN, se aprende mucho mejor.
Y como se ha trabajado con las manos, se puede recordar esa información mucho tiempo después. La memoria a largo plazo mejora cuando se interactúa físicamente con los materiales que se están estudiando. Existen numerosos ejemplos que demuestran estos beneficios en las aulas.
Por ejemplo, mi esposa fue profesora de ciencias en una escuela de educación secundaria básica y utilizaba métodos de aprendizaje práctico y basado en proyectos para enseñar conceptos científicos elementales. En sexto grado, los estudiantes aprenden ciencias generales, incluidos algunos conceptos de física, química y ciencias ambientales.
Casi todas sus lecciones se complementaban con actividades en las que los estudiantes debían trabajar con sus propias manos. Al finalizar el año, cuando se comparaba su rendimiento mediante exámenes, quienes habían aprendido a través de actividades prácticas, además de la lectura y la enseñanza tradicional en el aula, obtenían mejores resultados. Estos beneficios también han sido demostrados mediante investigaciones educativas.
¿Cómo deberían replantear las universidades sus métodos de evaluación para distinguir entre una comprensión genuina de los conocimientos y la habilidad para utilizar herramientas de inteligencia artificial?
Imaginemos que un estudiante realiza la mayor parte de sus tareas utilizando herramientas de IA que le proporcionan las respuestas.
Varios meses después, se le toma una prueba sencilla y resulta que no puede recordar aquello que supuestamente había aprendido.
Ahora imaginemos que ese mismo estudiante aprende los mismos contenidos durante un periodo similar, pero, en lugar de depender de las respuestas generadas por la IA, las construye por sí mismo, utilizando sus manos y materiales que le permiten reproducir los procesos que está estudiando.
Varios meses después, se le toma un examen y recuerda lo aprendido. Entonces, la pregunta es cómo debemos estructurar la educación para garantizar que los estudiantes retengan los conocimientos adquiridos.
Y, cuando hablamos de evaluación, creo que uno de los métodos que deberíamos utilizar con mayor frecuencia es la evaluación basada en el desempeño (performance-based assessment).
En lugar de limitarse a responder preguntas, los estudiantes deben demostrar que pueden aplicar lo aprendido. Por ejemplo, después de estudiar cómo las células utilizan el ADN para producir proteínas, podríamos pedirles que reproduzcan ese proceso utilizando materiales.
Pensemos también en una enfermera que trabaja en emergencias y debe atender a un paciente cuya vida está en peligro. No queremos que tenga que consultar un libro para saber cómo actuar, sino que sepa qué hacer y pueda realizar los procedimientos necesarios. Por eso es tan importante evaluar el aprendizaje a través del desempeño.
¿Cómo suelen reaccionar los estudiantes cuando experimentan la diferencia entre el aprendizaje práctico y los métodos tradicionales de enseñanza?
Al principio, los alumnos pueden sentirse algo extraños si nunca han aprendido de esa manera. Sin embargo, en el salón de mi esposa, rápidamente se corrió la voz de que su curso era uno de los más interesantes de la escuela. Algunos proyectos duraban varias semanas y los niños incluso querían regresar después de clases para seguir trabajando en ellos. Creo que los estudiantes responden muy positivamente al aprendizaje práctico.
Sabemos que el modelo de aprendizaje práctico del MIT se beneficia de equipamiento e infraestructura especializados. ¿Cómo podrían las universidades peruanas, que frecuentemente tienen presupuestos limitados, adoptar estos métodos sin que las brechas de infraestructura profundicen las desigualdades educativas?
Creo que un profesor ingenioso puede encontrar maneras económicas de enseñar materias complejas con muy pocos recursos. Déjame darte un ejemplo. Mi esposa solía organizar un proyecto para sus estudiantes de sexto grado en el que debían desarmar un pequeño electrodoméstico que alguien hubiera desechado. Para ello, pedía a los padres de familia que donaran objetos.
Podían llevar un teléfono antiguo, una máquina de escribir o una tostadora averiada. ¿Alguna vez has visto una máquina de escribir? Ya nadie las utiliza. O quizá una tostadora. Esas todavía existen. Se coloca el pan dentro y se baja la palanca. Entonces, imagina que llevas una tostadora averiada al salón de clases.
Durante las siguientes semanas, los estudiantes debían comprender cómo funcionaba ese aparato. Mi esposa llamaba a la actividad "Desarma un electrodoméstico". Cada semana, dedicaban algunas horas a sus proyectos: desmontaban el objeto, examinaban sus diferentes componentes e intentaban descubrir cómo funcionaba cada uno. Al finalizar, los padres eran invitados al salón de clases y los alumnos debían explicarles el funcionamiento del electrodoméstico.
Por ejemplo, si habían desarmado una tostadora, explicaban cuáles eran sus componentes, cómo circulaba la electricidad a través de las resistencias que generaban calor y dónde estaban ubicados los interruptores. Aprendían muchísimo sobre cómo habían sido diseñados estos objetos desde el punto de vista de la ingeniería.
Y después tenían que explicárselo todo a otra persona. Eso significaba que aprendían haciendo y reforzaban su comprensión al enseñar. A los niños les encantaba y no costaba nada, porque utilizaban electrodomésticos averiados que sus padres habían llevado al aula. Por lo tanto, no se necesitan máquinas sofisticadas ni costosas para enseñar eficazmente mediante el aprendizaje práctico y basado en proyectos.
Hoy en día, a medida que el dominio de la inteligencia artificial adquiere mayor importancia, ¿qué habilidades deberían priorizar las universidades y cómo pueden los empleadores evaluar la capacidad de los egresados para resolver problemas reales?
Resolver problemas difíciles no suele ser algo que una persona pueda lograr por sí sola. Las universidades deben crear espacios donde los estudiantes compartan conocimientos y encuentren soluciones de manera conjunta.
En el MIT observamos durante la pandemia que la educación remota debilitó esta dimensión social. Cuando los alumnos regresaron al campus, algunos habían perdido el hábito de reunirse para resolver problemas. Por eso, el aprendizaje basado en proyectos resulta tan valioso: favorece la colaboración y el trabajo en equipo.
