Proyecto: Re-Ingeniería Educativa

Neurociencia, Re-Ingeniería de Aprendizajes e Inteligencia Artificial en Educación

Ramiro Aduviri Velasco

@ravsirius

Resumen
La educación del siglo XXI, plantea Pedagogías y Tecnologías Emergentes, que implican
procesos de Re-Ingeniería Educativa educativa, que involucra la Neurociencia, Re-
Ingeniería de Aprendizajes e Inteligencia Artificial en Educación.

La neurociencia permite conocer el cerebro para enseñar y aprender mejor. La Re-Ingeniería

de Aprendizajes plantea pedagogías y tecnologías emergentes, centradas más en el aprendiz.
La Inteligencia Artificial tras la búsqueda de patrones, posibilita analíticas de aprendizajes
más objetivas y reales.

Combinando estos tres paradigmas: Neurociencia, Re-Ingeniería de Aprendizajes e

Inteligencia Artificial, surgen diversos escenarios de aprendizajes innovadores, activos y
eficientes. Se destaca dentro la Inteligencia Artificial, el aprendizaje automático y
aprendizaje profundo, por sus diversas aplicaciones en nuestras vidas, en particular en
educación.

Se plantea un programa de posgrado, que involucra el Diplomado/ Maestría en Pedagogías y

Tecnologías Emergentes, además de cursos por cada módulo.

Palabras Clave: Pedagogías, Tecnologías, Neurociencia, Re-Ingeniería, Aprendizajes,

Inteligencia Artificial, Educación

Summary

The education of the XXI century, poses Pedagogies and Emerging Technologies, that imply
processes of Educational Educational Re-Engineering, that involves the Neuroscience, Re-
Engineering of Learning and Artificial Intelligence in Education.

Neuroscience allows knowing the brain to teach and learn better. The Re-Engineering of
Learning proposes pedagogies and emerging technologies, focused more on the learner. The
Artificial Intelligence after the search of patterns, allows analytics of more objective and real
learning.

Combining these three paradigms: Neuroscience, Re-Engineering of Learning and Artificial

Intelligence, various scenarios of innovative, active and efficient learning emerge. Artificial
Intelligence stands out, automatic learning and deep learning, for its diverse applications in
our lives, particularly in education.

1
A postgraduate program is proposed, which involves the Diploma / Masters in Pedagogies
and Emerging Technologies, as well as courses for each module.

Key Words: Pedagogies, Technologies, Neuroscience, Re-Engineering, Learning, Artificial

Intelligence, Education

1. Introducción

Cuarta Revolución Industrial1

Luego de que la mecanización, la máquina de vapor, la energía hidráulica y el ferrocarril

transformaran al mundo y lo llevaran a lo que hoy se conoce como la Primera Revolución
Industrial, vino un impulso a la productividad mundial. Las personas podían finalmente
desplazarse a mayores velocidades y generar mayor producción e intercambio, que permitía
la especialización.

Posteriormente vimos la segunda revolución industrial con el surgimiento de la electricidad,

las cadenas de montaje y la producción en masa. La automatización y la informática nos
llevaron a una tercera revolución industrial, en la que ya podíamos tener procesos de
tecnología, información y comunicación más eficientes.

Ahora estamos en lo que se denomina la Cuarta Revolución Industrial, la era de la

digitalización, el surgimiento del internet de las cosas, la robótica y los sistemas ciber físicos.

Figura 1. 4ta. Revolución Industrial

Lo que estamos viviendo no es un conjunto de tecnologías emergentes en sí mismas, sino la

transición hacia nuevos sistemas que están construidos sobre la infraestructura de la
revolución digital.

2
Lo anterior está moviendo a la educación a tener grandes transformaciones. Habilidades
como la solución de problemas complejos, pensamiento crítico y creatividad, son
competencias necesarias para los empleos que se estarán desarrollando en el año 2022, según
investigaciones del Foro Económico Mundial. El Departamento de Trabajo de los Estados
Unidos estima que “el 65 por ciento de los estudiantes que hoy están en la Universidad,
estarán empleados en trabajos que hoy no existen”.
Sociedad KnowMad2

Para muchos de nosotros, la sociedad del futuro se encuentra todavía por venir, sin embargo,
para John Moravec el proto-paradigma de la nueva sociedad ya es un momento tangible.
Según este autor, existen tres factores que caracterizan este cambio:

1. El cambio acelerado de la tecnología y de la sociedad

2. La continua globalización y la horizontalización del conocimiento
3. La innovación alimentada por los Knowmads

El término Knowmad parte de dos palabras: Conocimiento (Know) y Nómada (Nomad), y

se refiere a los trabajadores del conocimiento contemporáneos, que se caracterizan por la
interdisciplina, el uso de la tecnología y la diversidad de sus campos de actividad.

La sociedad de la información abre paso al trabajo innovador y a una resignificación del

conocimiento. Mientras que en el siglo 19 la gente se establecía en un punto específico para
realizar una tarea específica, en la actualidad los empleos se han vuelto mas abiertos en
cuanto a términos de actividad y lugar.

Hoy en día, la tecnología permite que estos trabajadores utilicen una gran variedad de
opciones, incluyendo la interacción real, virtual o la mezcla de ambas. Según Moravec una
de las características del nómada del conocimiento es la capacidad de reconfigurar
inmediatamente su ambiente de trabajo.

“El trabajador del conocimiento es valioso por su conocimiento y experiencia personal,

características que le brindan una ventaja competitiva” (Moravec)

Es este talento personal el punto de ruptura con la concepción del empleo en el siglo 19,
época en la que nuestras relaciones y responsabilidades laborales eran estáticas y claramente
definidas por otras personas. En el pasado se acostumbraba competir para conseguir un
empleo, hoy en día es necesario diseñar el nuestro.

Las capacidades individuales se vuelven fundamentales en el siglo 21. Lo que uno hace y
puede hacer con su conocimiento crea nuevos formatos conceptuales que determinarán su
empleabilidad. En otras palabras, los individuos que sean capaces de innovar con su
conocimiento liderarán el crecimiento del empleo, mientras que otro sector será
externalizado o remplazado por máquinas (Moravec).

El cambio es siempre alarmante. Y vivir en una sociedad Knowmad implica que algunas de
las situaciones que nos brindaban seguridad en el pasado se han vuelto obsoletas, como por

3
ejemplo el concepto de empleo de por vida, el flujo constante de ingreso y la jubilación. La
externalización de los empleos (outsourcing) es una prueba de que las empresas necesitan
cada vez menos una base trabajadora constante; por otro lado, el aumento de los trabajadores
del conocimiento deja claro que en la actualidad los individuos no necesariamente dependen
de una empresa.

Hoy en día, la complejidad de los sistemas provoca una necesidad de crear nuestros propios
objetivos. Los cambios son rápidos, es necesario definirse y hacer evolucionar nuestra
concepción de trabajo. Es necesario inventar nuestro propio trabajo.

Figura 2. Habilidades KnowMads

2. Neuroeducación3

Hoy en día estamos viviendo en una continua lucha por el desarrollo potencial del cerebro
humano ya que nosotros somos seres sociales y como tal no podemos aprender de una manera
aislada a nuestro contexto social. En los últimos años la neurociencia viene entregándonos
los grandes enigmas del cerebro y su funcionamiento, en donde dichos conocimientos como
el aprendizaje, la memoria, las emociones, etc. contribuye en el campo pedagógico.

Todo representante educativo tiene el deber de conocer y entender al cerebro, el cómo

aprende y procesa la información y que tan delicado es para cada estímulo, y lo cual pasaría
hacer indispensable para la innovación pedagógica como para todo el sistema educativo. Por

4
consiguiente, la neuroeducación ayuda a cortar los lazos entre las investigaciones sobre la
neuroeducación y la práctica pedagógica.

Los conocimientos que surgen de la neurociencia, la educación y la psicología lo conocemos

hoy en día como neuroeducación y su objetivo principal es acercar a los padres y a los
maestros para que tengan conocimiento sobre lo relacionado al funcionamiento del cerebro.
Es decir, es una disciplina científica que trata de comprender todo el mecanismo del cerebro
humano que genera el aprendizaje, la memoria, el lenguaje, las emociones, etc. Por lo tanto,
la función de la neuroeducación es aprovechar todo acerca del funcionamiento cerebral para
así poder mejorar en la enseñanza - aprendizaje. Hay que tener en cuenta que el cerebro es
único y hay que ver la complejidad del estudiante y también ser tolerantes en los momentos
de los procesos de evaluación.

Actualmente la neurociencia y todo el conocimiento que nos propicia acerca del cerebro son
desde mi punto de vista, fuertes factores de influencia que facilitaran y fundamentaran una
gran transformación en el ámbito educativo, “la Neuroeducación nos ayudará a educar
teniendo el cerebro en mente”.

• Principio 1, el cerebro es un adaptativo sistema complejo: la interacción entre las diferentes

regiones cerebrales produce los pensamientos, emociones, lenguaje y la amalgama de
matices del comportamiento humano, por ello no se puede comprender esta complejidad
desde una sola región cerebral, debido a la multiplicidad de niveles que operan
simultáneamente.
• Principio 2, el cerebro es determinado socialmente: de las especies neoténicas, la humana,
es la especie que depende completamente de un otro social para su desarrollo biológico y
psicológico, pasando un largo periodo de infancia en el cual el cerebro es completamente
maleable e indeterminado. Pese a contar con algunos reflejos adquiridos evolutivamente,
gran parte de lo que el ser humano será, se define en el aprendizaje, un aprendizaje que
involucra un mundo social complejo, en el que las interacciones humanas configuran la
cultura en la que el sujeto crecerá.
• Principio 3, la búsqueda de significado es propia del cerebro: El cerebro surgió para
permitirle a la especie sobrevivir, y dicho acto depende en gran medida de la capacidad que
se tiene de asignarle un sentido o significado a la experiencia. En efecto, no sirve de nada
que una persona, en un rostro humano no pueda leer la intencionalidad que tiene el otro, ya
que de dicha capacidad puede depender una amenaza o recompensa para la vida
• Principio 4, el cerebro intenta predecir usando patrones, como forma de buscar significados:
cuando la información es procesada por el cerebro, éste busca establecer patrones, formas de
responder frente a determinados estímulos, para
liberar la carga cognitiva que representaría supervisar voluntariamente cualquier respuesta,
construyéndose patrones de acción fijos (PAF). Así el cerebro produce un modelo neuronal
de los estímulos repetidos, con el cual compara cualquier estimulo, y si éste es novedoso, se
hacen los ajustes a las respuestas que se van a utilizar.
• Principio 5, las emociones matizan los significados: el estado emocional brinda información
para la formación de significados, es la relación inseparable entre la cognición y la emoción.
Por ello una base afectiva emocional es indispensable para el aprendizaje, en tanto el base
afectivo emocional describe la estabilidad afectiva emocional, necesaria para que la
motivación y el aprendizaje puedan suceder.

5
• Principio 6, el cerebro crea partes y todos: Introducir ideas globales al enseñar, refleja
reconocer que el cerebro pese a tener lateralizadas sus funciones, divididas en regiones
cerebrales, procesa la realidad como un todo. Al respecto, el cerebro configura la realidad en
función de lo que cada parte especializada, aporta dentro de lo que se denomina “realidad”,
focalizando aquellos elementos que son determinantes para la realización de la tarea, por
tanto, la labor del educador es enseñarle al estudiante a formar las acciones, relevantes para
desarrollar con éxito, sus tareas.
• Principio 7, aprender implica atención focalizada y percepción globalizada, el cerebro
asimila la información de la que es consciente, pero igualmente de lo que está fuera de su
foco de atención, por ende, el maestro debe prestar atención a todo el entorno educativo,
incluyendo el espacio físico, su comunicación no verbal, las estrategias pedagógicas
implementadas, entre otros.
• Principio 8, aprender implica procesos consientes e inconscientes, gran parte de la
experiencia y del procesamiento perceptivo ocurre bajo el nivel consiente, por tanto, la
enseñanza debe reconocer esta particular para proponer actividades metacognitivas, de
pensar sobre lo pensado y hacer visible lo invisible. En efecto, gran parte del proceso de
formación de un concepto, está relacionado con el proceso de formación de las acciones
mentales, desde esta perspectiva, para poder pasar del plano material al plano mental, se debe
pasar por una serie de etapas.
• Principio 9, hay dos formas de registrar la información, de forma taxonómica,
almacenándose por ensayo o error, y la memoria espacial/autobiográfica, entre estas dos
formas de almacenar la información significativa y no significativa, biológicamente es
posible almacenar experiencias completas. De tal forma que aprender significativamente
implica usar ambas formas de almacenamiento, con la finalidad de darle sentido a la
información.
• Principio 10, aprender es un proceso de desarrollo, reconocer este principio es poner al
aprendizaje como motor del desarrollo biológico, contar con un cerebro plástico, con
posibilidades de neurogénesis, la calidad del aprendizaje forjará la calidad del desarrollo de
las funciones cerebrales superiores, siendo éstas susceptibles a la modificación a lo largo del
ciclo vital.
• Principio 11, el aprendizaje se potencia por el desafío y se inhibe ante la amenaza, el cerebro
se activa ante entornos desafiantes y cambiantes que permitan asumir el riesgo, con la
percepción de que se está acompañado. Sin embargo, si percibe amenaza actuará de manera
poco creativa y primitiva. Por tanto, es importante brindar una adecuada base orientadora de
la acción, entendiéndola como un sistema de condiciones en el que realmente se apoya al
sujeto en la realización de la acción. Es así como la enseñanza debe garantizar el éxito o
brindar la BOA necesaria para lograrlo, reconociendo los tipos de apoyos que el aprendiz
necesita.
• Principio 12, cada cerebro es único e irrepetible, fruto de la herencia genética tenemos una
organización cerebral particular, que en la interacción con la experiencia en la que se
desarrolla la persona promueve un desarrollo particular, en la escuela, por tanto, existen
diferentes formas de aprender, diferentes intereses y por ende diferentes inteligencias.

6
Figura 3. Paradigma de la Neuroeducación

Figura 4. Como Aprendemos

7
 Figura 5. Mente y corazón

3. Educación Expandida4
“Los procesos de aprendizajes son ubicuos”

La educación actual no solo requiere integrar transversalmente las Tecnologías de la

Información y la Comunicación (TIC) en el aula, sino expandir el aula a través con las TIC
transformándolas en Tecnologías para el Aprendizaje y el Conocimiento (TAC), por las
siguientes consideraciones:

- La adquisición de conocimientos no sucede exclusivamente en el aula: puede producirse

en cualquier momento y en cualquier lugar, no sólo gracias a los dispositivos y recursos en
internet, sino especialmente gracias a las personas.

- La innovación educativa con las Tecnologías de la Información y la Comunicación (TIC)

es indispensable, donde docentes y estudiantes, son intermediarios críticos
del conocimiento, que crean, comparten, opinan, participan, en red y en la red.

- La generación, desarrollo y aplicación de pedagogías emergentes, es el gran desafío actual

y futuro para una educación con mejor calidad, con más, mejor y distintas maneras de
aprendizaje.

8
El modelo de Koole consiste en un diagrama de Venn de tres círculos que comprende los
tres aspectos que mencionamos antes; se generan interacciones en el momento en que los
círculos se superponen en el diagrama.

Figura 6. Modelo de Koole http://mobilelearninginfokit.pbworks.com

La tecnología móvil tiene las siguientes características:

- Penetración: se venden más móviles que ordenadores

- Comunicación: social, multimedia y espontánea
- Portabilidad: fácil de llevar encima
- Ubicuidad: uso desde distintos lugares y momentos
- Geolocalización: contenidos ligados al contexto
- Afectividad: tecnologías personales
- Informal: aprender fuera del contexto forma

Algunos falsos mitos sobre m-learning son:

- Pantallas demasiado pequeñas

- Suponen una distracción
- No son adecuados para accesibilidad
- Los contenidos son superficiales
- Los más jóvenes los dominan
- Se extravían con facilidad
- El contenido en la nube no es seguro
- Es caro de implementar

Enfoques m-learning

- Producción de contenido
- Diseño de actividades
9
Algunas claves de éxito del m-learning

- Dispositivos propiedad de los alumnos

- Carácter informal y la influencia del contexto
- Atender a distintos estilos de aprendizaje
- Tareas refuerzo en tiempos autogestionados
- Afianzar la red social del grupo de alumnos
- Fomentar interacción con otros participantes

El m-learning, permite que el Aprendizaje sea personalizado, situado en el contexto,

auténtico en las experiencias que genera, espontáneo en su interacción e informal en su forma
de adquisición.

4. Aprendizaje Personalizado 5

“Equidad en aprendizajes a ritmos y estilos personalizados”

El desafío de la educación actual, plantea un cambio radical, para pasar de una educación
estandarizada al aprendizaje personalizado, creando las condiciones para que pueda florecer
el talento natural de los que aprenden.

Según Warlick el ‘aprendizaje personalizado’ tiene más que ver con la práctica del
aprendizaje permanente y por tanto aparentemente es independiente de instituciones,
currículos, docentes y estándares de aprendizaje. Por el contrario, la ‘enseñanza
individualizada’ o la ‘individualización del aprendizaje’ es la forma en la que las instituciones
y el profesorado se apropian del proceso del aprendizaje de tal manera que el alumnado
adopta el papel de ‘cliente’ de un servicio diseñado, cocinado y servido sin su participación.

Enseñanza a la medida de cada estudiante

Cada alumno es único: todos tienen intereses, estilos de aprendizaje, puntos fuertes y
conocimientos previos de la materia diferentes. Abordar las necesidades individuales de cada
alumno en el aula con eficacia siempre ha sido un desafío fundamental para los educadores.
La tecnología educativa del siglo XXI puede ayudar a brindar a los profesores las
herramientas que necesitan para impulsar la evolución del enfoque estandarizado tradicional
a uno que brinda enseñanza y contenidos personalizados para garantizar que se tengan en
cuenta las opiniones y necesidades de cada alumno

Algunos aspectos para aclarar el aprendizaje personalizado

La individualización se refiere a la instrucción que se estimula a las necesidades de

aprendizaje de los alumnos diferentes. Metas de aprendizaje son los mismos para todos los
estudiantes, pero los estudiantes pueden progresar a través del material a diferentes
velocidades de acuerdo a sus necesidades de aprendizaje. Por ejemplo, los estudiantes pueden
tomar más tiempo para avanzar en un tema determinado, no tome los temas que cubren la
información que ya saben, o temas repetidos que necesitan más ayuda sobre.

10
La diferenciación se refiere a la enseñanza que se adapta a las preferencias de aprendizaje
de los alumnos diferentes. Metas de aprendizaje son los mismos para todos los estudiantes,
pero el método o enfoque de la enseñanza varía en función de las preferencias de cada alumno
o lo que la investigación ha encontrado funciona mejor para los estudiantes como ellos.

La personalización se refiere a la instrucción que se estimula a las necesidades de

aprendizaje, adaptados a las preferencias de aprendizaje, y adaptados a los intereses
específicos de los diferentes alumnos. En un entorno que es totalmente personalizado, los
objetivos de aprendizaje y contenidos, así como el método y el ritmo de toda puede variar
(para la personalización incluye la diferenciación e individualización)
Aprendizaje personalizado no es "Instrucción Personalizada".

Figura 7. La evaluación en la Personalización, Diferenciación e Individualización

Personalización de los medios de aprendizaje.

• los estudiantes saben cómo aprenden para que estén preparados para el presente y su futuro
como ciudadanos del mundo.
• los estudiantes son los compañeros de los alumnos y compañeros de los diseñadores del
currículo y el ambiente de aprendizaje.
• estudiantes de poseer y manejar su propio aprendizaje.

Cada estudiante es único y aprende de diferentes maneras. Diferenciación de instrucción

significa que el profesor se adapta el plan de estudios existente para satisfacer las diferentes
necesidades de cada estudiante en su salón de clases. El profesor se convierte en la persona
más trabajadora en el aula. La individualización significa que las empresas de la maestra y el
libro de texto de crear varios niveles de currículo para satisfacer las diferentes necesidades
de todos los estudiantes. Esto significa que usted paga más a las empresas de libros de texto
para preparar el plan de estudios o encontrar múltiples formas de enseñar a un área de
contenido que cumpla con los estilos de aprendizaje variados y niveles de lectura en el aula.
11
La diferenciación y la individualización de la enseñanza es el maestro-céntrico, a nivel de
grado, y basada en estándares. Los profesores pueden utilizar estas técnicas para presentar el
contenido. Sin embargo, el estudiante necesita para ser los más difíciles de las personas que
trabajan en el aula. Los maestros deben enseñar a sus alumnos a pescar y no el pescado para
ellos. En un ambiente de aprendizaje personalizado, el profesor no tiene por qué ser el único
experto. La ventaja de la tecnología es que los estudiantes puedan utilizar los contenidos y
que los expertos con su profesor. Pueden llegar a ser expertos en áreas específicas de
contenido, tecnología, e incluso crear contenido.

5. Aprendizaje Invertido6,7
“Lo invertido (flipped), hace más activo y proactivos los aprendizajes”
“Flipped Classroom (clases al revés, clases invertidas) es un modelo didáctico en el cual los
estudiantes aprenden nuevo contenido a través de video-tutoriales en línea, habitualmente en
casa; y lo que antes solían ser los ‘deberes’ (tareas asignadas), se realizan ahora en el aula
con el profesor ofreciendo orientación más personalizada e interacción con los estudiantes”

Así, mientras que en el esquema didáctico tradicional el tiempo de permanencia en el aula

(especialmente en educación secundaria y superior) se dedica a exponer y explicar la materia
al alumnado y, posteriormente, se indican tareas para realizar en casa; bajo el esquema de la
‘flipped classroom’ se invierte dicha estructura: en casa los estudiantes acceden a los
contenidos, mientras que las tareas se desarrollan en el aula. En la figura 8 se ilustra este
modelo ‘flipped classroom’.

Para ‘invertir el aula’, el profesor facilita a su alumnado materiales audiovisuales (pueden ser
vídeos o incluso ‘podcasts’), de una duración habitualmente no superior a cinco-diez
minutos, a través de los cuales presenta las principales ideas o los conceptos fundamentales
de cada unidad didáctica. Este material puede ser bien un recurso producido por el propio
docente, o bien un recurso ya existente en la red (por ejemplo, véase el canal de YouTube de
Khan Academy, con más de 5000 vídeos que abarcan los contenidos curriculares básicos en
áreas tales como matemáticas, química o historia).

12
 Figura 8. Modelo Flipped Classroom

Ventajas de la ‘flipped classroom’

Expertos, profesores universitarios que han adoptado e investigado sobre el modelo ‘flipped
classroom’ consensúan algunas de sus ventajas:

▪ La ‘clase invertida’ produce una mayor implicación del estudiante: explicar la lección en
el aula tradicional es un enfoque de aprendizaje muy pasivo, pero cuando se desplazan las
lecciones a un sistema en línea, el tiempo de clase se puede utilizar para la resolución de
problemas, las actividades de colaboración y discusión en grupo, incrementándose el
compromiso de los alumnos.

▪ La ‘clase invertida’ produce un aprendizaje más profundo: en este sentido, en la figura 9

se ilustra como la ‘flipped classroom’ permite invertir un mayor tiempo en clase en las
categorías superiores de la taxonomía de Bloom.

La ‘clase invertida’ permite una mayor adaptación al ritmo de cada estudiante: el aula
tradicional generalmente no se adapta a cada alumno (todo el mundo tiene que aprender el
tema que se expone básicamente al mismo ritmo: ‘one-size-fits-all’). Por el contrario, en el
aula invertida los estudiantes tienen la posibilidad de tener un mayor control sobre el
contenido de las explicaciones y manejar su ritmo (una pausa en el video-tutorial para tomar
notas, o retroceder y aclarar cuando lo necesitan). Esto, a su vez, libera el tiempo de clase,
donde se puede promover un pensamiento de orden superior y aumentar la colaboración y la
participación de los estudiantes.

13
 Figura 9. Taxonomía de Bloom y Flipped Classroom

6. Robótica Educativa
“Aprender a Programar y Programar para Aprender”
La Programación puede utilizarse como herramienta educativa transversal que mejora el
aprendizaje de otras materias, de manera que, al tiempo que se aprende a programar
aplicaciones o dispositivos, se están adquiriendo otras muchas competencias y habilidades.
La interacción de los programas de ordenador con el entorno físico mediante el uso de
sensores y actuadores (Robótica) convierte al ordenador en una herramienta de aprendizaje
aún más potente, ampliando el abanico de materias que pueden beneficiarse del uso de la
Programación.

Aprender a programar, al igual que aprender a escribir, es importante para nuestro desarrollo
y una herramienta fundamental en la vida actual. Aprender a crear programas nos va a
permitir usar los ordenadores de una forma creativa, entender cómo funcionan, poder
modificarlos y no usarlos como meros consumidores de información. Además, al programar,
aprendemos a desarrollar conceptos matemáticos, resolver problemas, diseñar proyectos y
comunicar ideas.

La Programación y el Pensamiento Computacional ya están siendo introducidos en un gran

número de países como Francia, Reino Unido, Alemania, Finlandia, Australia o Estonia,
entre otros.

14
El pensamiento computacional implica resolver problemas, diseñar sistemas y comprender
el comportamiento humano, haciendo uso de los conceptos fundamentales de la informática.

¿Porque Robótica en Educación?

Los robots tienen un atractivo intelectual y emocional que trasciende cualquier otro tipo de
producto de ingeniería

Robots inculcan un interés en la ciencia y aumentar la autoestima, así como enseñar

habilidades básicas de la vida como la resolución de problemas, la toma de decisiones, la
fijación de metas y el pensamiento lógico.

Los robots representan una aplicación práctica de la física, la informática, la ingeniería y las
matemáticas, y pueden utilizarse para especular sobre conceptos de humanidades.

La robótica en el aula ofrece a los maestros la oportunidad de reunir muchas áreas diferentes
de estudio.

También permite a los estudiantes la oportunidad de realizar todo su potencial, pasar de la

posibilidad a la realidad a través de un proceso práctico que utiliza sus muchas habilidades
como ser humano, incluyendo la resolución de problemas cooperativos y el pensamiento
crítico.

Robótica también puede usarse para enseñar humanidades (como ética, filosofía, etc.)

La robótica es una disciplina que vale la pena estudiar porque los robots ya no están
restringidos a la fábrica ni a ambientes peligrosos, los robots están abriéndose paso en
entornos humanos.

¿Qué puede enseñar la robótica?

Dotar rigor
- Aprende algo real
- Enseñar las realidades y la profundidad de la ciencia
- Diseño
- Utilice el bricolaje para explorar
- Conecte problemas de nivel alto y bajo
- Aprender la incertidumbre y la variabilidad del mundo
Trabajar en equipos
- Competiciones son una emocionante evaluación del desempeño
- Fomentar el espíritu de equipo y la camaradería
Construccionismo y Robótica
El construccionismo se suma al constructivismo (aprender como "construir estructuras de
conocimiento") la idea de que el aprendizaje es feliz en un contexto en el que el aprendiz está
conscientemente comprometido en la construcción de una entidad pública, ya sea un castillo
de arena en la playa o una teoría del universo

15
7. Inteligencia Artificial8,9,10
La aplicación de la inteligencia artificial a la educación ha sido objeto de investigación
académica durante más de 30 años.

El campo investiga el aprendizaje tanto si se produce en las aulas tradicionales o en los

lugares de trabajo, con el fin de apoyar la educación formal, así como el aprendizaje
permanente. La Inteligencia Artificial, que es en sí mismo interdisciplinario, y las ciencias
del aprendizaje (educación, la psicología, la neurociencia, la lingüística, la sociología y la
antropología) para promover el desarrollo de entornos de aprendizaje adaptativo y otras
herramientas que son flexibles, ambos inclusive, personalizado, con la participación y eficaz.

En el corazón de la Inteligencia Artificial en Educación, es el objetivo científico de "hacer

formas computacionalmente precisas y explícitas de conocimiento educativo, psicológico y
social que a menudo se dejan implícito.". En otras palabras, además de ser el motor detrás de
gran parte "inteligente" , es también una herramienta potente para abrir lo que se llama a
veces la "caja negra de aprendizaje," nos da más profundo, y una comprensión más de grano
fino de la forma en que realmente sucede el aprendizaje (por ejemplo, cómo se ve
influenciada por el alumno socioeconómico y el contexto físico, o por tecnología).

Estas interpretaciones pueden entonces aplicarse para el desarrollo de futuros programas de

la Inteligencia Artificial en Educación y, muy importante, también puede informar enfoques
de aprendizaje que no implican la tecnología. Por ejemplo, puede ayudarnos a ver y entender
los micro-pasos que los estudiantes ir a través de la física o de aprendizaje, los conceptos
erróneos comunes que son complejos. Estas interpretaciones pueden utilizarse con buenos
resultados por los maestros.

La Inteligencia Artificial implica un software informático que ha sido programado para

interactuar con el mundo de maneras que normalmente requieren la inteligencia humana.
Esto significa que la IA depende tanto de conocimiento sobre el mundo, y los algoritmos para
procesar de forma inteligente que el conocimiento.

Este conocimiento sobre el mundo está representado en los llamados "modelos". Hay tres
modelos principales en el núcleo de la Inteligencia Artificial en Educacion: el modelo
pedagógico, el modelo de dominio, y el esquema de estudiantes.

Tomemos el ejemplo de un sistema de con Inteligencia Artificial, que está diseñado para
proporcionar información individualizada apropiada para un estudiante. Para lograrlo es
necesario que el sistema sabe algo acerca de:

• Enfoques eficaces para la enseñanza (que se representa en un modelo pedagógico)

• El tema en estudio (representado en el modelo de dominio)
• El estudiante (representado en el esquema de estudiantes)

Los ejemplos de los conocimientos específicos que podrían ser integrados en cada uno de
estos modelos se muestra contrario.

16
Aprendizaje Automático

El aprendizaje automático permite una comprensión hasta ahora inaudita de conjuntos

complejos de datos, lo que le está otorgando un creciente protagonismo en nuestra sociedad
en general y en la neurociencia cognitiva en particular. Estas aplicaciones han supuesto un
ilusionante avance en el estudio de cuestiones básicas acerca de nuestro sistema cognitivo, al
igual que en el diagnóstico de algunas importantes enfermedades que afectan a este sistema.
Pese a la novedad de estos trabajos, la flexibilidad del aprendizaje automático permite
pronosticar que las aportaciones más relevantes del aprendizaje automático están aún por
llegar.

El aprendizaje automático (“machine learning”, en inglés) hace referencia al subcampo

dentro de las ciencias de la computación especializado en el reconocimiento de patrones
complejos en conjuntos de datos. A diferencia de la programación clásica, en la que un
programa ejecuta una y otra vez la misma (más o menos compleja) operación, la principal
característica del aprendizaje automático es que sus programas consiguen extraer de forma
autónoma (es decir, sin ser programados específicamente para ello) información relevante en
los datos que están siendo procesados. Esta información permite que el programa “aprenda”,
es decir, que mejore en su ejecución de la tarea para la que había sido programado (Turing,
1950). Mediante el desarrollo de algoritmos sofisticados (los cuales pueden ser entendidos
como “modelos”), estos acercamientos permiten identificar relaciones invisibles para el ojo
humano. Este tipo de algoritmos interaccionan con nosotros en nuestro día a día cuando, por
ejemplo, la cámara de fotos de nuestro móvil reconoce una cara o cuando utilizamos una
aplicación de traducción automática. En este sentido, parte del éxito de estas herramientas se
debe a su extenso campo de acción: desde sistemas que detectan mutaciones en nuestro ADN
(Libbrecht y Noble, 2015) hasta el “big data”, el cual identifica patrones en enormes
conjuntos de datos acerca de, por ejemplo, diferentes segmentos de nuestra sociedad (Boyd
y Crawford, 2012). Como es esperable, las ciencias cognitivas no han sido inmunes al
desarrollo de estas herramientas. Una simple consulta de los términos “machine learning” y
“brain” en un repositorio de artículos (PubMed; fecha de consulta: julio 2017) permite
observar que, mientras en 1990 únicamente un artículo contenía estas etiquetas, 298 trabajos
publicados en 2016 coinciden con nuestra búsqueda.

Pero, ¿cómo funciona en la práctica el aprendizaje automático? Para responder a esta

pregunta quizá sea beneficioso entender qué diferencia conceptual suponen, dentro de la
neurociencia cognitiva, estos análisis respecto a acercamientos más clásicos (véase la Figura
10, panel A).

17
 Figura 10.-Ilustración del funcionamiento de la aproximación clásica y la basada en el
aprendizaje automático a la localización de funciones en el cerebro.

Imaginemos que el objetivo de nuestro estudio es comparar el procesamiento de imágenes de

perros y gatos en dos regiones cerebrales (región X y región Y). Para cada una de estas
regiones obtenemos un patrón de activación por estímulo presentado (en la figura, cada
cuadrado del patrón representa la activación [negro = activado; blanco = desactivado] en un
vóxel [unidad volumétrica utilizada en las imágenes de resonancia magnética]). Siguiendo la
lógica de los análisis clásicos, procederíamos a promediar la actividad a lo largo de estos
vóxeles. En todos los patrones presentados, hay 3 vóxeles activados y 3 desactivados. El
promedio, por tanto, sería el mismo para ambos animales en las dos regiones, sugiriendo que
éstas están implicadas de manera similar en el procesamiento de perros y gatos. Sin embargo,
podemos observar que, mientras en la región X esta inferencia parece ser acertada, los
patrones en la región Y son diferentes, indicando una potencial diferencia en la
representación de perros y gatos en esta región.

Pese a que en este ejemplo la diferencia salta a simple vista, este tipo de observaciones se
antojan complicadas cuando lo que tenemos delante es un conjunto de datos más amplio. Es
aquí donde los investigadores han utilizado técnicas de aprendizaje automático para detectar,
entre toda la complejidad de nuestros datos, patrones asociados a diferentes representaciones.
Básicamente, el funcionamiento de estas técnicas (Figura 1, panel B) consiste en el
entrenamiento de un algoritmo para diferenciar dos clases (en nuestro caso, perros y gatos)
mediante la presentación de patrones asociados a ambas categorías (puntos amarillos y azules
en la figura). De esta manera, el algoritmo aprende qué regla utilizar para separar ejemplares
de cada clase (en este ejemplo, una recta diagonal). El paso clave (“test”) consiste en la
presentación de ejemplares nuevos sin etiquetar, con el objetivo de comprobar la precisión
del algoritmo a la hora de asignar cada ejemplar a la clase que corresponde. De esta manera,

18
cuando la actividad de una zona cerebral permite clasificar los ejemplares de dos categorías
diferentes por encima del nivel del azar, asumiremos que esa zona está representando de
forma diferencial dichas categorías.

¿Qué importancia tienen estas suposiciones en neurociencia cognitiva? Mientras que las
técnicas clásicas nos permitían detectar qué zonas parecían estar implicadas en ciertos
procesos, no era posible entender qué representaciones estaban siendo codificadas en esas
regiones. Así, por ejemplo, ante la activación de la corteza prefrontal durante una tarea de
atención, el aprendizaje automático nos permite estudiar si esta activación subyace a procesos
inespecíficos de control (en los cuales diferentes categorías serían representadas de forma
similar) o, por el contrario, a la codificación diferencial de contenidos relevantes para la tarea
(Haynes, 2015).

La aplicación del aprendizaje automático en contextos de corte más clínico es especialmente

ilusionante. Por ejemplo, diversos estudios han demostrado cómo, a partir de imágenes
estructurales del cerebro, es posible detectar si una persona con trastorno cognitivo leve
(TCL) desarrollará en el futuro una demencia tipo Alzheimer (Moradi, Pepe, Gaser, Huttunen
y Tohka, 2015). En este estudio, los investigadores sacaron partida de una de las comentadas
cualidades del aprendizaje automático, la extracción de regularidades significativas en
complejos conjuntos de datos. Concretamente, “alimentaron” al clasificador con tres fuentes
de información: imágenes del estado estructural del cerebro, las puntuaciones en diferentes
cuestionarios de habilidades cognitivas y la edad de cada participante, todo ello para
pacientes con TCL que posteriormente desarrollaron Alzheimer, así como para pacientes con
TCL que no desarrollaron la enfermedad (en nuestro ejemplo anterior, esto correspondería a
los diferentes puntos azules y amarillos). Los resultados de este estudio demostraron que el
algoritmo podía diferenciar con un 80% de precisión los dos grupos de pacientes sólo
utilizando las imágenes cerebrales y que este porcentaje aumentaba al 90% cuando se
combinaban todas las fuentes de información. Crucialmente, este tipo de resultados permite
adelantar el diagnóstico entre 1 y 3 años en comparación con otras herramientas disponibles,
lo cual supone una ventaja crucial de cara al tratamiento.

En cualquier caso, el aspecto más interesante del aprendizaje automático es su flexibilidad.

Aunque sea de manera introductoria, este artículo permite vislumbrar que estas herramientas
son moldeables y aplicables a multitud de problemáticas diferentes. En un mundo como el
actual, en el que la cantidad de datos generados en cada instante es ingente, el potencial del
aprendizaje automático es innegable. El hecho de que los recursos provenientes del
aprendizaje automático utilizados en neurociencia cognitiva sean aún limitados sugiere que
su potencial es aún mayor en esta disciplina. Es de esperar, por tanto, que las aportaciones
más relevantes estén aún por llegar

Aprendizaje Profundo

Las personas aprendemos de la experiencia. Cuanto más variadas sean nuestras vivencias,
más aprenderemos. En la disciplina de la inteligencia artificial (IA) que se conoce como
aprendizaje profundo, esto mismo se puede decir de las máquinas potenciadas por el software
y el hardware de IA. Las experiencias a través de las cuales aprenden las máquinas se definen

19
mediante los datos que adquieren, y la cantidad y la calidad de estos datos determinan cuánto
pueden aprender.

El aprendizaje profundo es una rama del aprendizaje automático. A diferencia de los

algoritmos tradicionales de aprendizaje automático, muchos de los cuales tienen una
capacidad finita de aprendizaje independientemente de cuántos datos adquieran, los sistemas
de aprendizaje profundo pueden mejorar su rendimiento al poder acceder a un mayor número
de datos, o lo que es lo mismo, hacer que la máquina tenga más experiencia. Una vez que las
máquinas han conseguido suficiente experiencia mediante el aprendizaje profundo, pueden
ponerse a trabajar para realizar tareas específicas como conducir un coche, detectar hierbajos
en un campo de cultivo, detectar enfermedades, inspeccionar maquinaria para identificar
errores, etc.

¿Cómo funciona el aprendizaje profundo?

Las redes de aprendizaje profundo aprenden mediante la detección de estructuras complejas

en los datos que reciben. Al crear modelos computacionales compuestos por varias capas de
procesamiento, las redes pueden crear varios niveles de abstracción que representen los datos.

Por ejemplo, un modelo de aprendizaje profundo conocido como «redes neuronales

convolucionales», se puede entrenar como un gran número (de millones) de imágenes; por
ejemplo, las que contienen gatos. Este tipo de red neuronal normalmente aprende de los
píxeles que contienen las imágenes que adquiere. Puede clasificar grupos de píxeles que
representan las características de un gato, con grupos de características como las garras, las
orejas y los ojos, lo que indicaría la presencia de un gato en la imagen.

El aprendizaje profundo es totalmente distinto del aprendizaje automático convencional. En

este ejemplo, un experto en dominios necesitaría dedicar mucho tiempo a diseñar un sistema
de aprendizaje automático convencional que detecte las características que representan un
gato. Con el aprendizaje profundo, todo lo que necesita es ofrecer al sistema un gran número
de imágenes de gatos, tras lo cual el sistema aprende de forma autónoma las características
que representan un gato.

En muchas tareas, como la visión por ordenador, el reconocimiento de voz, la traducción

automática y la robótica, el rendimiento de los sistemas de aprendizaje profundo supera
enormemente el de los sistemas de aprendizaje automático convencional. Esto no significa
que crear sistemas de aprendizaje profundo sea relativamente fácil en comparación con los
sistemas de aprendizaje automático convencional. Si bien el reconocimiento de
características es autónomo en el aprendizaje profundo, hay que ajustar miles de
hiperparámetros (botones) para que el modelo de aprendizaje profundo sea realmente
efectivo.

¿Cuál es la importancia del aprendizaje profundo?

20
Estamos en una época de oportunidad sin precedentes y, con la tecnología del aprendizaje
profundo, podemos conseguir nuevos avances. El aprendizaje profundo ha desempeñado un
papel decisivo en el descubrimiento de exoplanetas, nuevos fármacos, en la detección de
enfermedades y partículas subatómicas. Nos ayuda a aumentar de forma decisiva nuestros
conocimientos en biología, incluidos los genomas, la proteómica, la metabolómica, la
inmunoterapia, etc.

En este momento en el que estamos, nos enfrentamos a retos implacables. El cambio

climático amenaza la producción de alimentos y podría suscitar un día luchas por los recursos
limitados. El reto del cambio medioambiental se ve acentuado por una población humana
cada vez mayor, que se espera que llegue a los 9000 millones en el 2050. El ámbito y la
escala de estos retos requieren un nuevo nivel de inteligencia, que ahora es posible con el
aprendizaje profundo.

Durante la explosión cámbrica que se produjo hace unos 540 millones de años, la visión se
reveló como una ventaja de los animales frente a sus competidores y muy pronto se convirtió
en el principal impulsor de la evolución. Junto con la evolución de las redes neuronales
biológicas que se utilizan para procesar la información visual, la visión ofreció a los animales
un mapa de todo lo que les rodeaba y aumentó su conocimiento del mundo exterior.

Hoy en día, la combinación de cámaras que cumplen la función de ojos artificiales y las redes
neuronales que pueden procesar la información visual que capturan esos ojos ha producido
una explosión de datos en aplicaciones de IA impulsadas por datos. Del mismo modo que la
visión tuvo un papel fundamental en la evolución de la vida en la tierra, el aprendizaje
profundo y las redes neuronales mejorarán las capacidades de los robots. Cada vez más,
conocerán su entorno, tomarán decisiones autónomas, colaborarán con nosotros y
aumentarán nuestras propias funcionalidades.

El futuro del aprendizaje profundo

En la actualidad, existen varias arquitecturas de red neuronal optimizadas para determinados

tipos de entradas y tareas. Las redes neuronales convolucionales son muy buenas clasificando
imágenes. Otra forma de arquitectura de aprendizaje profundo utiliza redes neuronales
recurrentes para procesar datos secuenciales. Tanto los modelos de redes neuronales
convolucionales como las recurrentes realizan lo que se conoce como aprendizaje
supervisado, lo que significa que se tienen que proveer con grandes cantidades de datos para
poder aprender. En el futuro, los tipos más sofisticados de IA usarán el aprendizaje no
supervisado. Se está dedicando una gran cantidad de investigación a la tecnología de
aprendizaje no supervisado y semisupervisado.

El aprendizaje de refuerzo es un paradigma ligeramente diferente al aprendizaje profundo en

el que un agente aprende por ensayo y error en un entorno simulado únicamente de
recompensas y castigos. Las extensiones de aprendizaje profundo en este dominio se conocen
como aprendizaje de refuerzo profundo (DRL). Se ha producido un considerable progreso en

21
este campo, como se demuestra en los programas de DRL que han logrado vencer a humanos
en el antiguo juego del Go.

Diseñar arquitecturas de redes neuronales que solucionen problemas es increíblemente difícil

y es incluso más complejo cuando hay que ajustar muchos hiperparámetros y se pueden elegir
más funciones de pérdida para optimizarlas. Se ha realizado una gran cantidad de
investigaciones para aprender arquitecturas de redes neuronales en buen estado de forma
autónoma. Aprender a aprender, o lo que se conoce también como «metaaprendizaje» o
«AutoML», sigue progesando constantemente.

Las redes neuronales artificiales actuales se basaban en el entendimiento que se tenía en los
años 50 de cómo los cerebros humanos procesan la información. La neurociencia ha
progresado bastante desde entonces y las arquitecturas de aprendizaje profundo son ahora tan
sofisticadas que parecen mostrar estructuras como células de red, presentes en cerebros
neuronales biológicos que se usan para la navegación. Tanto la neurociencia como el
aprendizaje profundo pueden beneficiarse entre sí de la «polinización cruzada» de ideas y es
muy probable que estos campos se fundan en uno en algún momento.

Ya no usamos ordenadores mecánicos y, en algún momento, tampoco usaremos los digitales.

En su lugar, usaremos una nueva generación de ordenadores cuánticos. Se han producido
varios avances en la computación cuántica en los últimos años y los algoritmos de
aprendizaje pueden, de hecho, beneficiarse de la increíble cantidad de computación
disponible que los ordenadores cuánticos pueden ofrecer. También se podrían usar
algoritmos de aprendizaje para comprender el resultado que se obtiene de los ordenadores
cuánticos probabilísticos. El aprendizaje automático cuántico es una rama muy activa del
aprendizaje automático y, con la primera conferencia internacional sobre aprendizaje
automático cuántico que se celebrará en 2018, se pronostica un buen comienzo.

Figura 11. Inteligencia Artificial, Aprendizaje Automático y Aprendizaje Profundo

22
8. Posgrado en Pedagogías y Tecnologías Emergentes
Con este Posgrado (Cursos, Diplomado y Maestría) los participantes podrán desarrollar
competencias en las áreas de la Neurociencias, Re-Ingeniería de Aprendizajes e Inteligencia
Artificial, aplicados en particular en la gestión educativa.

El plan de estudios está estructurado en 10 módulos para la Maestría, Módulos 1 al 3 para el

diplomado Re-Ingeniería de Aprendizajes, Módulos del 4 al 6, para el diplomado de
Neuroeducación y Módulos del 6 al 10, para el diplomado de Inteligencia Artificial.
Finalmente se tiene previsto cursos aislados por cada módulo.

Sus contenidos se han desarrollado en modalidad e-Learning combinados con Webinars en

línea.

Al concluir el programa el participante obtendrá el título de Maestría en Pedagogías y

Tecnologías Emergentes y Diplomado en Innovación Educativa, respectivamente.

Antecedentes
Existen algunas ofertas de Universidades Bolivianas, que son aisladas y no integradas como
la presente propuesta, con la Re-Ingeniería de Aprendizajes, Neuroeducación, e Inteligencia
Artificial. A nivel internacional, existen diversas opciones como Coursera, Edx, Scolartic,
Miriadax de cursos en línea, que complementan a este proyecto.

Justificación

Dada la acelerada evolución tecnológica, es importante y urgente incursionar en temáticas

actuales de Pedagogías y Tecnologías Emergentes, para luego en un proceso educativo
realizar aplicaciones en distintas áreas de humanidades, ciencia y tecnología, con
investigación, desarrollo e innovación.

Contexto

El contexto actual, impone pensar en lo global y actuar en lo local. Existen los recursos,
contenidos, expertos y participantes para iniciar este proyecto, con cursos, diplomado y
maestría, mediante un programa flexible, con metodologías activas e innovadoras.

PROBLEMATICA
Descripción

El Posgrado tiene como propósito que sus participantes se capaciten, desarrollen, apliquen y
evalúen actividades de Re-Ingeniería educativa con Pedagogías y Tecnologías Emergentes.

Dirigido a
El Posgrado está orientado a docentes y/o profesionales con título de pregrado, nacionales e
internacionales.

23
Objetivo General

Al terminar el posgrado, los participantes tendrán competencias para:

- Articular: Neurociencias y reingeniería de aprendizajes a sus prácticas educativas y

pedagógicas.
- Emplear: Pedagogías y Tecnologías Emergentes, en sus labores docentes cotidianas en la
institución.
- Evaluar: La integración de la Neurociencia, Re-Ingeniería de Aprendizajes e Inteligencia
Artificial en aula y proyectos de innovación pedagógica.
- Diseñar: Procesos de enseñanza-aprendizaje mediados por Pedagogías y Tecnologías
Emergentes.

Requisitos

- Conocimiento de Teorías de Aprendizaje

- Dominio suficiente de Computación.
- Habilidades en uso de Internet y curación de contenidos
- Tener Título profesional de Universidad o de Instituto Pedagógico.

Módulos del Posgrado

El posgrado está dividido en 10 módulos cada uno de ellos compuesto por una serie de temas,
actividades, autoevaluación, evaluación y trabajo práctico referido a la materia de estudio.

Además, los participantes contarán con una plataforma educativa, en el que se almacenan
los materiales complementarios y videos para reforzar los conocimientos.

Cada tema del módulo, requiere una dedicación de un mínimo de tres horas en plataforma
educativa y una hora de webinar por semana.

Módulo 1: Modelos Tecno-Educativos

Objetivo Específico:
• Describir y desarrollar modelos tecno-educativos, aplicando a didácticas y producción de
contenidos digitales

Contenidos:

1. Modelo ADDIE
2. Modelo SMAR
3. Modelo TPACK
4. Modelo TPACK 2.0
5. Modelo Conectivista: Aprendizaje en Red

Tiempo máximo estimado 30 días

24
Módulo 2: Educación Expandida
Objetivo Específico:

• Analizar, diseñar y aplicar, diversas estrategias de Educacion Expandida,

Contenidos:

1. Aprendizaje Combinado (blended learning)

2. Diseño e Implementación de Aulas Virtuales
3. Aprendizaje en línea (e-learning)
4. Móvil Learning (m-learning)
5. Plataformas Educativas

Tiempo máximo estimado 30 días

Módulo 3: Re-Ingeniería de Aprendizajes

Objetivos Específicos:

• Replantear procesos educativos, centrados más en metodologías activas, para más y mejores
aprendizajes.

Contenidos:

1. Modelo EPI (Expandido, Personalizado e Invertido)

2. Modelo GIC (Gamificado, Inmersivo y Codificado)
3. Modelo MIA (Micro, Invertido y Adaptativo)
4. Aprendizaje Basado en Proyectos
5. Educación por fenómenos

Tiempo estimado 30 días

Módulo 4: Introducción a la Neurociencia

Objetivo Específico:

• Describir los fundamentos y características de la Neurociencia en la educación.

Contenidos:

1. Introducción a la neuroeducación
2. Fundamentos de Neurociencia
3. Ecología del neurodesarrollo sus implicaciones en el diseño de estrategias didácticas y
pedagógicas.
4. Bases neurobiológicas del aprendizaje
5. Aplicaciones de la neuroeducación.

25
Tiempo máximo estimado 30 días

Módulo 5: Neuro Aprendizajes

Objetivo Específico:

• Aplicar Los Neuro Aprendizajes a las didácticas, con énfasis en la parte motivacional.

Contenidos:

1. Aproximación a la Neurodidáctica
2. Neuromitos
3. Escuela Tradicional VS Escuela Neurodidáctica
4. Motivación
5. Memoria

Tiempo máximo estimado 30 días

Módulo 6: Metacognición y Neuroaprendizaje

Objetivo Específico:

• Desarrollar procesos de metacognición en base a los neuro aprendizajes

Contenidos:

1. Bases neurobiológicas para el desarrollo de la atención;

2. Principios neurocognitivos para la enseñanza de nativos digitales.
3. Ambientes de salas especiales para nativos digitales.
4. Neurociencias sociales y afectividad en la educación
5. Aprendizaje centrado en estudiante

Tiempo máximo estimado 30 días

Módulo 7: Introducción a la Inteligencia Artificial

Objetivo Específico:

• Describir los fundamentos, características y aplicaciones de la Inteligencia Artificial

Contenidos:

1. Definición de la Inteligencia Artificial

2. Lógica Difusa
3. Sistemas Difusos
4. Redes Neuronales
5. Aplicaciones de las Redes Neuronales

26
Tiempo máximo estimado 30 días

Módulo 8: Aprendizaje Automático

Objetivo Específico:

• Describir las características, implementación y aplicaciones del aprendizaje automático.

Contenidos:

1. Fundamentos del Aprendizaje Automático

2. Aprendizaje Supervisado
3. Aprendizaje No-Supervisado
4. Aprendizaje por reforzamiento
5. Aplicaciones del Aprendizaje Automático

Tiempo máximo estimado 30 días

Módulo 9: Aprendizaje Profundo

Objetivo Específico:

• Describir las características, implementación y aplicaciones del aprendizaje profundo.

Contenidos:

1. Aprendizaje Automático y Aprendizaje Profundo

2. Técnicas probabilísticas en el aprendizaje profundo
3. Redes Neuronales masivas parte 1
4. Redes Neuronales masivas parte 2
5. Aplicaciones del Aprendizaje Profundo

Tiempo máximo estimado 30 días

Módulo 10: Educación con Inteligencia Artificial

Objetivo Específico:

• Implementar didácticas de aprendizajes asistida con la Inteligencia Artificial.

Contenidos:

1. Inteligencia Artificial en Educación

2. Modelos Educativos con Inteligencia Artificial
3. Analíticas de Aprendizaje con Big Data e Inteligencia Artificial
4. Asistentes Virtuales Inteligentes
5. Aprendizaje Adaptativo con Inteligencia Artificial

27
Tiempo máximo estimado 30 días

METODOLOGIA

El programa formativo se desarrolla en modalidad B-Learning (Aprendizaje semi-

presencial), con sesiones-talleres vía Webinars, para aplicar los conocimientos que se
imparten vía online. Los docentes – tutores harán el acompañamiento y evaluarán el
desempeño de los participantes con actividades y trabajos a desarrollar.

Recursos para el participante

Dispondrá también de una Biblioteca Virtual especializada, con e-books, audiolibros, casos
prácticos, videos, plantillas para investigación y documentos de ayuda para su aprendizaje.
En este programa el alumno dispondrá del manual del curso, estructurado en formato
modular. Esto es, cada módulo teórico estará disponible en la plataforma en formato online.

Talleres de Práctica en línea, Se dispondrá de recursos para el desarrollo de proyectos

colaborativos (app slack) para el desarrollo de actividades, donde se pondrá en práctica los
conocimientos que se adquieren en el campus virtual. Las sesiones se programarán y
comunicarán oportunamente a los participantes.

Campus Virtual

El proceso formativo se desarrollará bajo el soporte de una plataforma MOODLE alojada en

servidor con dominio independiente, donde el alumno encontrará todos los recursos
necesarios para su formación, además de interactuar con su profesor y compañeros de
estudio. Se complementa con Google Classroom, para un aprendizaje móvil.

Asistentes Inteligentes

Se dispondrá de asistentes inteligentes (ChatBots), disponibles las 24 horas y durante todo el

desarrollo del posgrado, para consultas en aspectos básicos y fundamentales.

Evaluación

Las unidades disponen de autoevaluación y portafolios de seguimiento para una evaluación

más personalizada.

En las acciones formativas on-line, la evaluación será asimismo cuantitativa y cualitativa.

Para evaluar al participante en cada una de las acciones se tendrán en cuenta los siguientes
criterios:

•Nº de conexiones del participante en plataformas educativas y tiempo de duración de las

mismas.

28
•Realización de proyectos en cada módulo.
•Realización de las actividades y prácticas propuestas por el formador.
•Realización del Proyecto Final del programa en caso del diplomado y maestría.
•Participación en las tutorías con el formador.
•Participación en los seminarios virtuales (webinar)

El formador-tutor realizará un informe final del programa detallando los aspectos arriba
referenciados.

Recursos Humanos

Coordinación: Ing. MSc. Ramiro Aduviri Velasco

Formador-Tutor 1. Neurociencia
Formador-Tutor 2. Re-Ingeniería de Aprendizaje
Formador-Tutor 3. Inteligencia Artificial

Colaboradores Internacionales
-
-
-

12. Conclusiones

Los Nuevos Paradigmas Educativos, como la Neuroeducación, Reingeniería de Aprendizajes

y la Inteligencia artificial, son inevitables en el contexto actual. La clave es la sinergia y la
combinación de estos paradigmas.

Los Modelos Educativos Emergentes, contemplan el conocimiento del funcionamiento de

nuestros cerebros, replantear los procesos de aprendizajes y explotar las características de la
Inteligencia Artificial.

La consigna de Mas, Mejor y Múltiples Maneras de Aprendizaje, es posible con el desarrollo

y aplicación de nuevos paradigmas educativos.

REFERENCIAS
1
La educación en la cuarta revolución industrial, https://republica.gt/2018/02/05/la-
educacion-en-la-cuarta-revolucion-industrial/, 5 de febrero de 2018
2
Introduccion a la Sociedad KnowMad, J. W. Moravec,
https://es.slideshare.net/ravsirius/introduccion-a-la-sociedad-knowmad, 20 Febrero 2017

29
3
¿Qué aporta la neurociencia a la educación?,
http://www.trespuntoelearning.com/neurociencia-educacion/ 13 de marzo de 2018.
4
Tecnologías emergentes, ¿Pedagogías emergentes? Jordi Adell - Linda Castañeda, 2012.
https://digitum.um.es/jspui/bitstream/10201/29916/1/Adell_Castaneda_emergentes2012.pdf
Manifiesto 15 (2015). Recuperado de http://www.manifesto15.org/vis-es/
5
Aduviri Velasco Ramiro, (2014), Educación Expandida, Personalizada e Invertida.
Recuperado de http://es.slideshare.net/ravsirius/educacion-expandida-personalizada-e-
invertida
6
TPACK (2011). Recuperado de http://tpack.org/
Aduviri Velasco Ramiro, TPACK 2.0 (2012). Recuperado de
http://es.slideshare.net/ravsirius/tpack-20
7
Aduviri Velasco Ramiro, (2016) Aprendizaje Gamificado, Inmersivo y Codificado.
7
Recuperado de http://www.slideshare.net/ravaprende/reingenieria-de-aprendizajes
Orientación Andújar, (2015) Pasos ABP Aprendizaje Basado en Proyectos Infografía.
7
Recuperado de http://www.orientacionandujar.es/2015/11/04/pasos-apb-aprendizaje-
basado-en-proyectos-infografia/
8
Arroyo Boris (2015) Lógica Difusa como herramienta de evaluación en el sector
universitario. Recuperado de http://www.orientacionandujar.es/2015/11/04/pasos-apb-
aprendizaje-basado-en-proyectos-infografia/
9
Inteligencia artificial: las tecnologías que cambiarán la educación en 2030,
http://www.aikaeducacion.com/tendencias/inteligencia-artificial-las-tecnologias-cambiaran-
la-educacion-2030/
10Inteligencia Artificial, Aprendizaje Automático y Aprendizaje Profundo,

https://medium.com/@Movetia/inteligencia-artificial-aprendizaje-autom%C3%A1tico-y-
aprendizaje-profundo-4f09802353bd

30